如何通过精简指令提升大模型效能：减少228行到165行的关键策略

当尝试提升 Agent 的能力时，直觉上会倾向于在指令中添加更多细节和步骤，但现实却相反：随着模型能力的升级，过度复杂化的指令反而可能限制表现。以 228 行的基准指令集与精简到 165 行的版本进行对比，结果显示，在满足质量门禁的情况下，精简版的 Token 消耗降低了约 18%。这说明，过多的约束条件并不等同于模型能力的提升。

过多指令可能反而束缚能力
在某些情况下，为应对较弱模型的短板而设计的“技巧性指令”在更强大的模型中可能变得多余。例如，执行计划（execplan）这种硬性要求模型遵循固定结构的指令，会导致注意力过度集中于结构化要求，忽略核心逻辑，甚至可能导致不必要的工具调用。Google Research 的 WikiSkill 项目也指出，低层级的临时补救措施（workarounds）在模型迁移到更高版本后，往往失去其通用性。这意味着，为确保早期版本稳定运行而引入的指令，可能在能力提升后反而成为模型的障碍。

精简指令的三大关键策略
在优化 implement‑execplan 时，优化的核心在于删除冗余而非增加规则。具体可以从以下三个方面入手：

1. 去除强制性结构要求：在指令中，那些要求模型输出固定章节的约束可以暂时去除，仅在特定需求出现时提供相关提示，而不是强制性要求。
2. 减少例行公事记录：在指令中，持续更新状态或进行重复性记录（bookkeeping）的步骤应当被删除，以减少不必要的输入开销。
3. 将静态检查逻辑外移：那些能够通过静态代码检查或 Hook 拦截的逻辑，应当从 Prompt 中移除，直接放入测试集或代码层进行验证。这样既减少了指令长度，又降低了 Token 消耗。

指令膨胀的根源：分层管理失败经验
如果仅仅将模型失败的经验直接融入指令中，会导致 Prompt 不断膨胀。更有效的方法是将内容分为三个层级：

• 原始经验：记录模型在某项任务失败的具体原因。
• 持久化知识：从失败经验中提炼出知识点，但暂时不转化为严格的指令规则。
• 可执行技能：只有当某个知识点能够显著提升成功率且不会干扰其他逻辑时，才将其转化为明确的 Prompt 指令。

这样做的好处在于，可以避免指令不断累积，同时保留必要的约束条件。很多失败案例适合存入知识库，但并不适合升级为强制性规则。

先运行后沉淀：逐步优化指令结构
在实际应用中，更有效的方法是先通过手动模式，将任务路径运行稳定。通过与模型协作，通过多次试错调整工作流（Workflow），找到最小化失败点的路径，并记录导致失败的关键条件。之后，仅将那些“模型无法通过自省解决，且必须由外部强制执行”的约束条件纳入指令集中。

如果模型升级后，之前有效的指令开始引发报错或冗余输出，应及时移除这些约束，给模型留出更大的推理空间。研究表明，这种方式往往能带来意想不到的效果，提升整体性能。

结论
精简指令并非简单的“减少行数”，而是通过去除冗余、分层管理知识、逐步优化路径来提升模型效能。当模型能力提升时，过多的约束条件可能反而成为障碍，而通过合理的指令结构设计，能够在保持质量的同时大幅降低 Token 消耗。这一策略在实践中已逐渐显现出其优越性，但还需进一步验证其普适性。