最近忙着做新的产品和工具，公号几天没更新，今天爬上来说几点。
AI 发展得很快，但是我发现很多人对 AI 的用法还停留在之前，我们应该跟随时代而更新。
索性今天说下最近用 AI 的几个技巧，应该对一些人有价值。
1. Anthropic 自己砍了 80%，规则式约束过时了
先把这件事说清楚，因为它是个分水岭。
7 月 24 日 Anthropic 的官方博客，为 Opus 5 和 Fable 5 删掉了 Claude Code 系统提示词 80% 以上的内容，评测结果零损失。团队成员的原话是：我们给 Claude 施加了过多约束。
什么意思呢？以前大家写提示词，喜欢堆规则：不许这样，不许那样，再塞几个示例。对新模型，这套做法不但没用，反而有害。官方现在的说法是，负面清单和示例堆砌会限制模型的判断空间，拉低输出质量。
CLAUDE.md 也一样。官方文档的建议就一句话：每一行都问自己，删掉这条，Claude 会犯错么？不会就删。原话更狠，臃肿的 CLAUDE.md 会让 Claude 直接无视你真正的指令。
Claude Code 创始人 Boris 自己的 CLAUDE.md 只有两行。
新版还内置了 /doctor 命令，可以自动审计你的 CLAUDE.md 和 skills，帮你瘦身。官方下场帮你删配置，这事以前想都不敢想。
一句话：靠堆规则管 AI 的时代，结束了。
2. 各种「补能力」的 Skill 都会死掉
随着 AI 的能力越来越强，其实一堆 Skill 根本不需要了。
模型能力强了之后，那些「补能力」的东西确实在快速贬值。以前模型不会规划，你装个规划 skill，不会拆任务，你装个拆任务的。现在这些模型自己就会，你装得越多越添乱。
Databricks 有篇论文实测过，skill 库扩到 202 个的时候，任务通过率最多掉了 21%，主要原因不是塞不下，是 AI 在一堆 skill 里挑花了眼，选错了。还有人把自己 7 个 MCP server 全删了，省出来 6 万多 token，这些是每次会话开场就白烧的。
但是，注意这个但是。Anthropic 砍规则的同时，却建议你把项目的坑，业务的口径，干活的流程，沉淀成 skills 按需加载。因为这些是你的私有知识，模型再强也不知道你公司的测试命令是什么，不知道你们「活跃用户」怎么定义。
所以判断标准很简单：这个 skill 是教 AI 干活，还是告诉 AI 你的情况？前者大概率该删，后者留着，越用越值钱。
这和我三周前那篇《为什么你的 AI 像智障》说的约束和语料，其实是一回事。规则式约束死了，私有知识型沉淀的分量更重了。
3. Kimi K3 开放权重了，抢不到套餐的直接上云
昨天，7 月 27 日，Kimi K3 的完整权重挂上了 Hugging Face。
2.8T 参数，目前全球最大的开放权重模型。Artificial Analysis 智能指数排全球第三，前俩是 Claude Fable 5 和 GPT-5.6，这是开放权重模型第一次挤进第一梯队。
对于大部分人来说，你用第一和第三，其实基本都够用了，都足够强，尤其前端能力，Kimi K3 评测甚至直接第一，但是也有一些不足之处，比如会慢，会啰嗦些。
但最主要的是算力限制，Kimi 官方订阅套餐，很多人根本抢不到。
那么这里有个建议，因为权重开源了，所以可以考虑直接上云：阿里云百炼，火山引擎方舟，腾讯云等全都上架了 K3。百炼的价格和官方一致，输入 20 元输出 100 元每百万 token，火山那边还进了 Coding Plan 套餐，写代码的可以直接包月。
开源权重最大的意义，就是你不用吊死在官方一棵树上。
4. 新手别头铁冲 CC 了，Codex 是更稳的选择
A 社的封号又升级了。最近很多人应该都被封号了，尤其前几天德国一个支付漏洞，顺手直接又干了一大批号。
官方透明度数据，半年封了 145 万个账号，申诉成功率 3.3%。
所以经常有新手问我怎么入坑，我现在的答案很统一：有条件的直接用 Codex，种种原因要用国产的，那就无脑选择 Kimi。
能力上，Codex 默认模型已经是 GPT-5.6，各方面能力都是顶尖的，关键封号规则很宽松。
而且是多模态，截图直接甩给它，还可以直接用 Image-2.0 生图。报 bug 别费劲打字描述了，截个图发过去，它连样式带报错一起看。这个习惯养成了，你描述问题的成本能省一大半。
另一个是省心。7 月 13 日 Codex 刚取消了付费档的 5 小时使用限制，而且为了和 CC 抢用户，额度经常重置。
如果你是深度开发者，如果算单价的话，最近 Codex 成本可能比全球最具性价比的 DeepSeek 还便宜。
5. effort 别拉满，并不是越高越好。
现在每家模型都有推理档位。Claude 是 low, medium, high, xhigh, max 五档，OpenAI 和 Kimi 也都有对应的档位。
他们的区别类比做事情，你想一步，还是想十步，一百步的区别。
很多人以为档位越高越聪明，默认拉满。其实不然。
你想下，如果你一个很简单的任务，他不用想太多，直接去做，又快又好。
很多时候，你用上了高档位的推理模式，一个小活，反而又慢，干起来活来不够简洁优雅，经常过度实现。
Anthropic 自己跑的基准测试，Opus 5 在 medium 档得分最高，拉到 high 和 max，分数反而下降，钱还花得更多。官方数据层面的「想太多」，很有意思。
OpenAI 的文档说得更直白，xhigh 这个档位，唯一点名的场景就是安全和代码审查，而且要你自己的评测证明有收益才建议用。
我的建议：日常任务 medium 或者 high 足够了，速度快还省额度。只有终审，代码 review，安全审查这种场合，再上 xhigh 或者 max。
对了，用 Kimi K3 的注意，它的 API 默认就是 max 档，官方自己都说简单任务调低档位能降延迟省 token，记得手动调。
把最高档留给真正重要的 5%，剩下的 95% 别浪费。
最后
再提点很小但是特别管用的技巧。
现在 1M 上下文已经是标配了，但是很多人不知道的是，支持 1M 上下文是一回事，AI 在 1M 上下文内能不能记清楚细节，更好地处理任务，是另一回事。
如果你用的是 1M 上下文，用到 50% 左右，我建议你手动压缩，基本都支持 /compact 命令，这样你的 AI 之后「脑子会更清晰」。
GPT-5.6 现在默认是 258k 上下文，因为官方实测这个范围内 AI 的表现更好，所以你用 GPT 可以无脑去用了，不用考虑压缩场景，你上下文用满都没多大关系。
以上，就是给大家分享的一些小技巧。
AI 的使用，到了一个做减法的时刻。