Anthropic 删掉了 Claude Code 80% 的系统提示词。
这不是一个优化。这是一个信号。
Tariq Shihipar，Anthropic 的技术团队成员，在最近的演讲中解释了原因：新模型 Fable 5 "想要更小的系统提示词"，示例"反而会限制它，因为它实际上比我们给出的示例更有想象力"。
翻译一下：过去两年积累的 prompt 工程智慧，在更强的模型面前，正在从竞争力变成负债。
一、Prompt 债：堆得越多，欠得越多
过去一两年，AI Coding 圈形成了一套惯性思维：上下文越大越好，工具说明越多越好，system prompt 越完整越好。
模型不知道项目怎么组织？写 Agents.md。模型不知道工具怎么用？写 tool descriptions。模型不够主动？写行为引导。模型不够稳定？继续往 system prompt 里加约束。
每一次增加都有理由。Cursor 曾花大量时间做 system prompt 的 A/B 测试，针对不同模型微调提示方式，benchmark 提升高达 10% 到 30%。差别核心往往就是那几段 prompt。
但问题在于：prompt 不是免费的。
Claude Code 把所有工具和功能内置进去之后，system prompt 一度膨胀到 65,000 个 token；即便关闭大部分功能，也还有 12,000 个 token。模型还没开始写一行代码，就已经背上了一本说明书。
对比来看，Pi（一个轻量级 coding agent）启动时上下文不到一千个 token。
更麻烦的是，prompt 债比代码债更隐蔽。代码老了，会在改功能、跑测试、处理 bug 时暴露出来。Prompt 老了，却只是让模型悄悄变差。用户看到的是"Claude Code 最近好像不如以前聪明了"，但真实原因可能是旧的 system prompt 没有跟上新模型。
当 prompt 从竞争力变成负担时，删掉 80% 不是激进，是理性。
二、Token 末日：从炫耀到恐慌
今年三四月份，大家还在炫耀自己用了多少 token，甚至把它当成一种排行榜。
几个月后，业界有了一个新词：Token Apocalypse（Token 末日）。
转变来得很快。原因很简单：账单到了。
Anthropic 自家公司花在算力上的钱，已经达到其薪资支出的 2.3 倍。按照一名高级工程师 22.4 万美元的完全成本来算，Anthropic 每位工程师每年对应的算力支出约为 51.5 万美元。
人还没模型贵。
这不是 Anthropic 独有的问题。亚马逊、Adobe、Atlassian、花旗集团已经开始对 AI 使用实施严格管控：限制模型等级、设定个人限额、甚至彻底停用权限。Uber 为每位工程师每月设定了 1500 美元的 token 上限。Walmart 最近也停止了一些工具的使用。
员工收到的信息极其矛盾：一边是"AI 能让你效率翻 100 倍，必须用"，一边是"别再把公司用破产了"。
这个矛盾背后，是一个更根本的设计哲学分歧。
三、两条路线：烧 token 换体验 vs 省 token 换利润
Claude Code 本质上不是一个效率工具。它是一个营销工具。
它的设计目标很明确：让你感觉自己在高产。Boris，Claude Code 的项目负责人，在做这个产品时最初的思考是："如果模型变得足够聪明，代码会变成什么样？"——出发点不是"如何帮开发者省 token"，而是"如何展示模型的聪明"。
五分钟花掉 200 美元，对 Claude Code 来说不是事故，是设计。所有 sub-agent、所有花哨的 UI 动画、所有冗长的 reasoning trace，都不是为了效率，而是为了让你盯着屏幕时，觉得"这模型真聪明"。
这背后是一个精心设计的营销闭环：你烧掉大量 token，换来"高产"的感觉，于是觉得 Claude 好用，然后继续用它。
而 OpenAI 走的是完全相反的路。
OpenAI 一直在拼命压 token。从 reasoning trace 的压缩，到模型本身的效率优化，它们的哲学是：用更少的 token，干同样的活。Codex 5.5 是最好的例子——GPT-5.5 medium 只用了 2 万个 token，就拿到了惊人的 benchmark 分数；而 Opus 4.8 用了 5 万个 token，得分反而更低。
更极端的例子藏在 reasoning trace 里。泄露出来的 OpenAI 内部推理内容不像普通英语，更像压缩过的工程速记：
"Use core new nodes. Need infer. Need add VAE encode for images. Try. Try period."
这些句子看起来好笑，但重点不在可读性，在 token 效率。模型在内部推理时，不需要保持礼貌、完整和流畅。它只需要保留动作、对象、判断和下一步。
压缩 reasoning token 的收益更大，因为 agent 是多步执行的，前一步的思考会变成后一步的输入。模型每少"想"一段，省下来的就不只是当下这几个 token，而是后面整条执行链上的重复开销。
这就是两条路线最直接的写照：Claude 在烧，OpenAI 在省。
一个值得品味的细节：如果 Anthropic 修复了"废话太多"这个问题，它们的收入会明显下降。如果开发者可以用模型完成同样的工作，但生成的 token 更少，那就是它们赚不到的钱。
四、Caveman 效应：当用户自己动手省 token
今年有一个叫 Caveman 的插件迅速走红。
它的名字直译是"穴居人"，意思是像原始人一样说话——不讲礼貌，不加多余语法，不放填充词，只保留核心意思。
"Caveman save you token, save you money. Star cost zero."
乍一看像个玩笑。但它解决的是 LLM 里一个非常真实的问题：废话太多、token 太多、成本也不必要地变高。
Caveman 的创建者 Julius Brussee 说："我是在 4 月初做出 Caveman 的，因为那段时间我重度使用 Claude Code，并且注意到我的很多 token 花费都浪费在了不必要的文字上：寒暄、模糊措辞、过渡语。"
Brussee 的评测显示，Caveman 相比默认输出能减少 65% 到 75% 的输出 token。
更有意思的是，OpenAI 的工程总监 Shayne Sweeney 也为该项目贡献了代码。
当用户开始自己动手省 token 时，说明行业已经过了"只要好用，多贵都行"的阶段。
五、落到行动：三个角色的不同选择
这个转折对不同的人意味着不同的事。
如果你是 AI 工具的产品经理： 停止把"烧 token 换体验"当作默认设计哲学。下一个竞争维度不是模型有多聪明，而是同样的聪明用多少 token 实现。Anthropic 砍掉 80% 的 prompt 只是一个开始——接下来每个 AI 产品都要过一遍"token 审计"。
如果你是开发者： 别再往 system prompt 里堆规则了。模型越强，prompt 越应该轻。检查你的 CLAUDE.md、你的 agent 配置、你的 tool descriptions——哪些是真的必要的，哪些是"以防万一"加上去的？后者正在悄悄吃掉你的 token 预算。
如果你是 AI 公司的决策者： 注意一个结构性信号——当 Anthropic 自己都在砍 prompt、OpenAI 在压 reasoning trace、用户在用 Caveman 省 token，说明 AI 行业正在从"能力竞赛"进入"效率竞赛"阶段。下一个赢家不是模型最强的公司，而是 "每单位智能成本最低" 的公司。
参考来源：InfoQ《Claude Code 80%的提示词说删就删》、The Decoder、Caveman 项目文档、Anthropic 官方公告