抛个也许有点反直觉的想法。
早期模型能力不够，我们靠一堆skill、一堆mcp、外加又臭又长的提示词把它硬撑起来，生怕它漏掉哪个步骤。
但现在模型明显强了不少，我最近的体感是，很多当初精心堆的那些辅助层，其实开始碍事了——冗余提示词让它畏手畏脚，某些skill它自己就能做得更好。
我干脆试了个偷懒办法：让它自己读一遍当前的配置和那堆prompt，然后给我一份精简方案，砍掉它觉得多余的。结果还真砍掉不少，跑起来反而更利索。
你们有没有随着模型升级反过来做减法的，哪些当初的“必备”现在已经可以扔了
我们就是做提示词服务的，真实测试验证过：
1.面对开放式场景，确实不需要复杂的提示词，但是需要结构化的引导式指令，大模型会根据它的能力来自由发挥，适合头脑风暴和需要参考和灵感的业务环境。
2.面对生产级的交付与输出，必须要定向约束了，不然它就会给你使绊子，要么过度交付（制造业叫质量过剩），要么因为幻觉给你胡编乱造，看起来逻辑上完全自洽，但是你如果缺乏判断力根本不知道它交付的真真假假，因为看起来逻辑和内容太完美了！
skill和prompt核心就是指令，只是使用场景差异而已，而mcp的作用就大了：它是目前约束、防止大模型出乱子的外围工具之一，配合数据库能有效提高智能体的交付能力！
所以，随着大模型能力越来越强，之前的复杂提示词存在的目的是防呆设计（说白就是明确告诉你，你现在能力还不行，我给你讲清楚每一步你要怎么做，你不要瞎搞），现在大模型能力够了能够深刻理解提示词的复杂指令，两者搭配就能实现定向与精准的预期交付，最终目的就是降低无效token浪费，提高有效token的产出！
其实都是类似插件的存在，依赖大模型来运行
是的，插件的机制就是把大模型目前不具备的能力用外围代码指令来完成补齐，两者互补，一个负责思考，一个负责精准执行。这是目前的最优解法，如果ai后续行业能够解决数据源的问题，那么这些工具的重要性会逐渐弱化！
冗余prompt让它畏手畏脚 这点太真实了
说成插件有点简化了，mcp更像是给模型接的手脚
减法比加法难 大家总怕删了出事
我砍了一半skill 发现根本没影响
模型强了 harness就该跟着瘦身 合理
开放场景少加限制确实好，但固定流程还是靠skill稳
1 个赞
MCP退场不了，模型再强也得靠它拿外部数据
就怕砍过头 关键步骤还是留着稳妥
让它自己给精简方案 这招妙啊 学到了
回3楼 同感 很多skill现在是负优化