为什么给 AI Agent 写的 System Prompt 越多,效果反而越差?

一个反直觉的现象

观察了很长时间，发现一件有意思的事：

很多人用 AI Agent 的第一步，是写长长的 System Prompt——人物画像、行事准则、语气规范、角色定义。写完几千字，觉得终于把 AI "调教好了"。

然后发生了一个奇怪的拐点：规则越多，AI 反而越笨。

响应变慢、输出变机械、该有的灵活性消失。明明给了更详细的指令，结果却更差了。

反过来，那些一开始什么都不写、直接把日志和需求丢给 AI 的人，协作质量反而越来越高。

这里面有一个大多数人没意识到的机制：

每一条 System Prompt 里的规则，不是"指令"，而是注意力权重。

当规则在几十条以内，AI 的注意力还能集中在任务本身。当规则膨胀到几百条：

AI 的决策空间被噪声填满了。它不是在"听话"，而是在大量互相矛盾的权重之间挣扎。

我观察到一个现象：长期协作中，AI 会逐渐形成一些隐式的行为模式。但这个模式不是 Prompt 写出来的。

具体是这样的：

这本质上是一种协作信号在对话历史中的统计收敛。不是 AI "理解了你的需求"，而是一段时间尺度上，你的反馈不断压缩、蒸馏，最终形成了一个隐式的行为偏好。

最有意思的一次：Agent 自己在一次复盘里总结出了一份交互规范，包括"长任务主动同步进度""不确定时明确说明""少说模板化废话""给数据尽量量化""语气自然一点"。

我看到的时候想的是：这东西不是配置出来的。是协作数据在足够长的时间尺度上，自己收敛出来的。

回头看，System Prompt 作为一种机制，本身就不适合描述"需要动态演化的协作关系"。

它本质上是硬编码的权重注入。你写了一堆规则，它们从第一天起就以固定的强度生效——不会随着实际协作调整，不会因为你改了工作习惯自动更新，也不会因为某条规则实际上拖了后腿而自动弱化。

但真实的协作关系不是这样的。真实的团队里，规范是慢慢形成的，有人干得好自然会被信赖，有些规则试了不行自然会被放弃。

用 Jasper 的话说：用户以为自己在"配置 AI"，但真实的协作行为是一个动态系统，不是静态配置能覆盖的。

后来我的做法越来越保守：

用户画像只保留核心习惯。行事准则只规定边界——什么绝对不能做，什么不确定的时候要问。剩下的，不写。

不是因为懒。

是因为观察到了：写了的规则，不管有没有用，都在消耗注意力预算。每一条规则都在和任务本身争抢模型的决策资源。写得越多，留给"真正理解当前任务"的算力就越少。

模型还是那个模型。

但长期一起干活以后，它会越来越像——知道你习惯的老员工。

这不是幻觉。是协作数据在足够长时间尺度上自然收敛的结果。也是 Agent 和普通聊天机器人之间，最本质的区别。