别再把 System Prompt 写成操作手册了，精简 80% 才是提升指令遵循率的秘诀

很多开发者在构建 AI Agent 时有一个误区：认为提示词写得越详细、约束越多，模型输出就越稳定。于是大家习惯于把 System Prompt 堆砌成一本厚厚的“操作手册”，试图覆盖所有可能的边界情况。但实际操作中你会发现，当指令长度超过一定阈值，模型反而开始出现“选择性失明”，导致指令遵循能力大幅下降。

最近 Claude Code 的实践证明，通过大幅砍掉冗余提示词进行“信息降噪”，反而能获得更精准的输出。这种逻辑在处理大模型时有效，但在面对 Llama 3 8B 或 Qwen 2.5 7B 这种小参数模型时，精简提示词几乎是生存必须。

小模型的上下文窗口虽然在不断扩大，但其真实的“注意力”资源非常有限。在长文本处理中，小模型极易触发典型的“中间丢失（Lost in the Middle）”现象——即模型能记住提示词的开头和结尾，但中间部分的约束指令会被直接忽略。如果你在 Prompt 中间插入了三条关于格式的约束，到了输出阶段，模型很可能只执行了最后一条。

如果你发现自己的 Agent 在执行复杂任务时偶尔“抽风”，建议尝试以下三步瘦身法。

首先，彻底删除描述性的废话。很多开发者喜欢用修饰词来引导模型，比如“请你作为一个极其专业且细心的资深软件工程师，在回答问题时务必考虑到代码的健壮性”。这种句子在模型看来是低信息密度的噪声。直接将其简化为“你是一个资深软件工程师，输出健壮的代码”即可。模型对“极其专业”、“务必”这类词汇的权重感知并不高，简洁的指令反而能让模型更快锁定任务目标。

其次，用 Few-Shot 示例替代长篇指令。用自然语言解释输出格式是最低效的方式。与其花三段话描述 JSON 字段的定义，不如直接给出一个标准示例。例如，当你需要模型输出特定格式时，直接提供如下结构：

{
  "input": "用户请求内容",
  "output": "标准格式结果"
}

在实测中，一个高质量的示例对小模型的引导作用，远胜于 500 字的格式描述。

最后，利用结构化标记替代纯自然语言段落。不要把所有要求揉在一个大段落里，让模型在文字海洋中寻找关键词，这会增加解析压力。建议使用 Markdown 标题或简单的 XML 标签（如 <task> 或 [Constraint]）来包裹指令。结构化的布局能帮助模型快速定位任务目标，降低推理时的噪声干扰。

对于 Llama 3 8B 这种量级的模型，精简提示词的目的绝不仅仅是为了节省 Token 成本，其核心在于通过降低信息熵，提升指令执行的成功率。当提示词从冗长的手册变为精干的清单时，你会发现模型的响应速度更快，且不再频繁出现遗漏约束的情况。