模型升級後，我幫 AI 寫的規則反而變成絆腳石

前陣子 Claude、OpenAI 都推出了新模型，試用後突然發現我的 AI 變得超慢。查了半天，發現拖慢它的是我自己寫的規則。

過去半年，我幫 AI 累積了一疊規則檔：哪些事要先查證、輸出用什麼格式、踩過的坑怎麼繞。每一條都是某次它做錯事之後補上的，每個錯誤都有對應的防呆措施跟處理的 SOP。

舊模型配這疊規則，跑得非常穩定。所以升級的時候，我想都沒想就整套沿用。

但剛好問題就出在這裡。

規則也是會過期的

以前模型不夠聰明時，需要外部規則來讓 AI 可以按照流程進行，例如：每步都要回報、先查證再回答、動手前先讀某某檔。

我後來才發現，那些規則其實只適合上一版模型。

舊模型有它的弱點：交代不清會亂做，跑長任務跑到一半會忘記原本的目標。那疊規則就是為了堵住這些洞，一條一條補上去的。

新模型本身就會這些事。但規則還在檔案裡，它讀了就照做：一步能做對的事，還是乖乖走完整套儀式。就像要求一個資深的新同事照實習生的 checklist 工作，每半小時回報一次進度。他不會做錯，但一定變慢，新模型反而沒有幫助到我。

不是只有我遇到

美國有個做 AI 產品的團隊叫「Every」，測 Claude Opus 5 測了一週：模型跟指令吵架、事情做一半就停、跟他們累積的 skills 處不好。最後把既有 skills 全部刪掉重來，反而變順了。

他們找出的其中一條元凶是：一段舊指令要求模型「停下來，等另一個 agent 接手」，但新流程裡那個 agent 根本不存在，模型就真的停在那裡等。刪掉那段，整個 workflow 就恢復正常了。

這個現象有人取了名字，叫 prompt debt：提示詞太老舊、又沒人管理，就會變成開發者的技術債。

我把規則分成兩種

我調整的方法是把規則分成兩種，升級時的處理方式完全不同：

1. 描述「我要什麼」的：語氣、紅線、驗收標準、事實類的偏好。重點擺在目標跟任務完成後的模樣，這種跟模型版本無關，升級時直接留。

2. 教它「怎麼做事」的：步驟拆解、防呆、為了避免例外狀況寫的步驟。這種是為當時的模型搭的框架，重大升級時要重新評估，看要更新還是刪除。

例如我近期把 superpowers 移除了。這是一套滿多人用的工作流 plugin，每開一個新對話，就把整套「怎麼規劃、怎麼拆任務、怎麼 debug」的 SOP 全文塞給模型。

半年前非常好用，但現在的模型變聰明了，留著反而多出很多來回詢問，效率變低。

留下來的則是另一種：我的語氣與禁止事項，裡面寫的是我要什麼、什麼不准碰，跟哪一版模型都無關。

晚進場的人，沒有想像中落後

就像大家說的，現在就是學 AI 最好的時機。新東西更新得非常快，就算晚一點學，也沒有錯過什麼。

這次整理規則檔，讓我對這句話特別有感。我花半年累積的使用技巧，模型一升級就過期了一大半；老手的優勢，每次換代都會被重置一部分。現在才進場的人，跟走了半年的人，其實沒有差那麼多。

真正留得下來的，是跟版本無關的那些：你知道自己要什麼、驗收標準長什麼樣、什麼東西不能碰。工具會一直換，這些不會。