夜雨聆风想必最近大家都有关注到，GPT 又降智了。
这次降智，罪魁祸首很可能不是模型变菜了，而是那些让你觉得很好用的功能——是它们让 AI 变笨了。
这篇想聊的也不止 Codex。我把自己的 agent 砍到只剩 4 个工具之后，肉眼可见产出质量变高了——不是因为模型更强了，而是因为我把干扰它的东西全删了。
如果你也装了一堆 MCP、囤了一堆 SKILL，但总觉得 AI 一到复杂任务就拉胯，那这篇文章就是写给你看的。
你的 AI 是怎么变笨的
好用，是有代价的
Codex 是个所有人都能用的产品，为了让每个人都觉得易用、好用，它对模型有一堆额外要求。
比如让模型时不时调用内置 tool，你就能看到这个"第 2/3 步"：
比如在你提问之后，先告诉你它准备干啥、进度怎么样，让你知道它是要好好干活还是要把你的代码搞爆炸：
但这是有代价的。
Codex 为了定期给你显示进度，每隔大概 30 秒会要求模型更新一次进度，模型思考超过 100 个词还会被打断、强制先汇报。最近推理 token 趋近 516 个的问题，长任务思考深度不够、输出质量差——也就是"降智"——很可能就是这么来的。
试想你在做一个非常复杂的任务，本来要想清楚这问题到底是什么、用什么方法解、能不能跑通。这时候强行要求你每个步骤前汇报"我打算怎么想"、每个步骤后汇报"我做了什么"，每 30 秒来一次——你是不是也得分出脑子处理这些和任务无关的东西？
人会烦，模型会笨。
工具越多，越笨
Codex 设计了很多功能让你觉得好用：写代码、画图、处理文档、操作电脑，全都要靠 tool 实现。我问了一下它有哪些，好家伙，一页都没显示完：
刚启动就烧了 22k token。
再看一些专门为编程设计的 agent，只有这几个 tool：
启动只用 4k token。当然 Codex 自己的系统指令也长，但最终 5 倍的差距，够说明问题了。
上下文就是它的工位
把模型的上下文窗口想象成它的工位。每一个工具描述、每一次强制汇报、每一段"你可能用得上"的说明书，都是往它工位上堆杂物。杂物堆多了，真正干活的地方就没了。
这也是我讨厌 MCP 的原因：不管你用不用得上，它先往上下文里注入一大堆废话，token 实实在在烧了，输出还实实在在变差了。
SKILL 就纯粹得多——只给模型一句"什么时候用我"，等真用上了再读 SKILL.md 看细节。这就是渐进式披露，说白了：用的时候再说，不用别废话。
主流从 MCP 往 SKILL 过渡，是有道理的。
我把 agent 砍到只剩 4 个工具
我很早就不用 Codex 写代码了，日常只拿它搜搜东西、整理文档。中间用了很长一段 OpenCode，慢慢感觉它的定位是开源版 Codex/Claude 平替，不是纯粹的 coding agent。
我的需求很简单：我就是个臭写代码的，能把我需求做好的 agent 就是好 agent，不需要花里胡哨。
后来我换成了 pi。这玩意冷门到官网时不时 404，页面都打不开。
它的介绍也朴素：一个极简 agent harness。官网就一句话——"There are many agent harnesses, but this one is yours"。它适应你的工作流，而不是你适应它，就是这个感觉。
装完就 4 个 tool：read、bash、edit、write。没了。你需要什么，自己拿插件加进来。
它还做了一件 Codex 没做的事：把 AGENTS.md 注入到系统指令里。上下文压缩不会动系统指令，所以再长的任务，硬性要求全都留得下来，模型遵循度大幅改善。
代价是你的 AGENTS.md 得写得好——太长、太泛、互相冲突的提示，都会让模型行为漂移。所以现在我项目里随地都是提示词，跟着目录走，不同目录注入不同的规矩：
这套目录级提示词怎么分层、AGENTS.md 怎么写才不漂移，后边有需要我整理发出来，点个「赞」，让我知道。
顺带一提，Codex 是把 AGENTS.md 注入到用户消息里的。官方解释是系统指令经过精心设计、最佳匹配模型，不推荐改。以前我信，后来发现它除了约束模型不输出哥布林之外好像没啥用途。
看看效果
质量先赢了
真正让我留下来的是这个：一个持续 11 轮、总时长 47 分钟、近 16 万行代码的项目里，253 次工具调用，全程 XHigh 推理深度，直到任务完成才第一次触发上下文压缩，此时窗口用量 254k。
窗口里没有杂物，就全是活儿。
钱包也守住了
别听奥特曼说 GPT 5.6 降价了，仔细看账单，多了一项 Cache writes，实际开支几乎翻倍：
pi 在成本上就友好得多，整体 token 消耗只有 Codex 的七成到一半——没有多余的工具描述，没有一大长串系统指令，天生就省。
不只是我的体感
Databricks 在他们千万行级的代码库上做过一组 coding agent 基准测试。结论是，pi 的成本降了一半。
质量（通过率）反而还高了 5 个点。
省一半的钱，还多对 5 个点，那可太划算了。
模型自由了
Claude 很有自己的主见，它喜欢在你的规划外，额外多给你一些"惊喜"，当然也有可能是惊吓。GPT 就很听话，说什么做什么，不说不做。Grok 就是快，没别的了，它真的非常快。
现在，pi 给了我随意切模型的能力，我不用担心被一家绑定，也不用担心 GPT 写出来的东西没人味、过于抽象，也不用担心 Claude 干活留了一堆屎山给我。
做方案、写文档的时候，就让 Claude Fable 来，执行任务、审查工作时，就让 GPT 来，如果我非常非常急，迫切看个代码查问题的，就让 Grok 来。多模型一起用，才是 subagent 最有价值的地方，让不同的模型各司其职、各执所长。
而且可选的余地还在变大：GPT 5.6 的窗口从 272k 加到了 353k，老马家 Grok 4.5 也上线了，直接开到 500k，简单看一眼数据，coding 榜已经冲到第 6——老马还是有点东西的，以后又能多一个选择。
终于不失忆了
长任务失忆这事，我试过 SpecKit、OpenSpec，结论是都很难彻底解决。有条件的情况下，仍然是大窗口、不压缩优先，压缩永远是最后手段。一旦压缩，就相当于换了个人接手现场，原来它是怎么想的、为什么要这么做，细节就很难再对齐了。
实在绕不开压缩的场景，我自己写了一个「交接包」SKILL：在压缩前把任务状态、决策记录、未竟事项打包成交接文档，新窗口读完就能几乎无缝接手，相当于给两个 agent 办了个工作交接。
这个 SKILL 打磨过几轮了，后台回复「交接包」拿，有需要可自取。
一张图总结
让 AI 产出的核心就一个词：上下文预算。窗口是稀缺资源，像管钱一样管它
1. 工具做减法：默认越少越好，用到再装，而不是先装了再说 2. 硬约束进系统指令：会被压缩掉的地方，别放原则 3. 渐进式披露：用的时候再说，不用别废话（所以 SKILL > MCP） 4. 大窗口、不压缩：压缩是止损手段，不是日常操作 5. 人负责 review：AI 负责产出，你负责别让它拉💩
人反而更重要了
体验了这么多 agent 产品，我越来越确定一件事：agent 能接管的只是那些约定俗成、重复的工作，前提是你把流程、边界、约束全部定好，不然稍微出点状况，局面就不可控了。
现在 agent 一天能给我产出 2 万行代码，人 review 的速度已经完全追不上 AI 产出的速度。想法变成现实的门槛越来越低，于是控制 agent 做出真正有意义的功能、避免它真的拉出💩来，反而成了最值钱的活。人对产品的感觉和把握，成了 vibe coding 时代最重要的东西。
如果你觉得今天这篇文章有收获，欢迎 点赞、在看、转发 三连，我们下篇见。
