學習筆記

TL;DR

隨著大型語言模型（LLM）能力增強，過去的 AI 程式設計最佳實踐正逐漸變成限制，我們需要轉變提示詞策略，更注重結果、驗證而非過程，並利用專屬工具如 Claude 的 Doctor 來優化系統提示詞健康度。

快速結論

在強大 AI 模型的時代，過去的 AI 程式設計提示詞（Prompt）最佳實踐已成為一種限制。這支影片強調我們必須重新思考與模型互動的方式，從硬性規則轉向讓模型自行推導判斷，從提供範例轉向提供最終結果或介面，並從預載大量上下文轉向按需加載的漸進式披露，以提升模型效能與開發效率。

其中一個關鍵轉變是從「撰寫執行過程」轉為「定義驗證條件」。這意味著我們需要給模型一個明確的目標和成功的標準，而非鉅細靡遺地指示每個步驟。這種方法能讓強模型發揮其推導與創造能力，產出更優化的結果，而傳統的冗餘指令反而會限制其思考。

Claude Code 提供的 Doctor 命令是一個重要的工具，旨在檢測和優化系統提示詞的健康度。它會掃描安裝問題、未使用的擴充功能與技能、code.md 文件的內容衝突或冗餘、慢速記憶腳本，並統計各組件的上下文佔用情況。透過這些診斷，開發者可以主動清理不必要的資訊，確保模型每次對話都能獲得精簡且高效的上下文。

總結來說，AI 模型發展速度極快，開發者應不斷迭代自己的提示詞使用習慣，並接受新的變化。此外，建議使用各模型官方或自家開發的 HMI (Human-Machine Interface) 工具，因為這些專屬工具能更好地適配各自的模型特性，避免通用提示詞可能帶來的反作用，從而獲得更好的開發效果。

這支影片在說什麼

這支影片探討在強大 AI 模型（特別是 Claude Code）時代下，如何調整 AI 程式設計的提示詞最佳實踐，以及 Claude Code 新增的 Doctor 命令如何幫助優化系統提示詞。它主要解決的問題是，過去為弱模型設計的提示詞策略，現在反而會限制強模型的表現。這支影片適合 AI 程式設計師、提示詞工程師，或任何希望提升與強大 AI 模型互動效率的開發者閱讀。

最重要的 3-5 個重點

1. AI 程式設計提示詞範式的根本轉變：

   • 從「定規則」到「給判斷」： 過去會給模型硬性規則（例如：不要做什麼、始終要做什麼），現在應讓模型根據程式碼自行推導通用規則和最佳方案。
   • 從「提供範例」到「提供結果或介面」： 過去會提供具體範例讓模型依循，現在應直接提供目標結果（如介面截圖、狀態定義），讓模型自行推導實現邏輯。
   • 從「前置上下文預載」到「漸進式披露」： 過去將所有相關內容都塞進 code.md 等前置上下文，現在應設定條件，讓模型按需讀取相關文件，避免不必要的資訊佔用。
   • 從「重複指令」到「漸進式單一指令與自動化」： 過去可能在多處重複相同指令，現在 AI 程式工具能透過自動化機制（如記憶歷史對話）持續學習，減少手動重複。
   • 從「撰寫過程」到「撰寫驗證」： 在強模型時代，定義任務的成功條件（驗證標準）變得比詳細描述執行過程更為重要。

2. 上下文優化與 code.md 的重要性：

   • Claude Code 的上下文包含使用者提示詞、引用、系統提示詞、code.md 文件、文件內技能和全域技能。
   • code.md 文件內容會每次對話都載入且無長度限制，因此應放簡單、模型無法推導的「坑點」，避免塞入過多或模型能自行理解的內容。
   • 技能應拆分更細，類似程式碼的函數，避免單一技能內容過多。

3. Doctor 命令：系統健康檢測與優化：

   • Doctor 命令用於檢測系統提示詞、擴充功能和技能的健康度。
   • 檢測維度包括： 安裝問題、未使用的擴充功能/技能、本地與全域 code.md 文件的內容衝突或重複、可替代的冗餘代碼提示、未使用的 SKD 掃描、慢速記憶腳本、各組件上下文佔用統計、權限與版本檢查。
   • 它會根據檢測結果提供建議，例如禁用不常用且佔用上下文的技能、清理不必

要的插件等。

4. 模型發展與 HMI 工具的適配性：
   • AI 模型發展速度極快（過去按月，現在按週）。
   • 各大型模型都應推出自己的 HMI (Human-Machine Interface) 工具。
   • Claude Code 減少 80% 系統提示詞的優化，是透過判斷模型名稱來決定是否使用一套系統提示詞，這可能不影響第三方模型。
   • 建議使用所用模型官方推出的 HMI 工具，以獲得最佳適配性和效果，避免使用可能產生反作用的通用提示詞。

知識架構

AI 程式設計提示詞的轉變 (在強模型時代)

• 過去： 提供硬性規則
  • 現在： 提供判斷，讓模型自行推導通用規則。
• 過去： 提供具體範例
  • 現在： 提供結果或介面（例如：狀態定義、介面截圖），讓模型推導實現邏輯。
• 過去： 前置上下文預載
  • 現在： 漸進式披露，按需加載相關文件內容。
• 過去： 重複指令
  • 現在： 漸進式單一指令搭配 AI 工具的自動化記憶機制。
• 過去： 撰寫執行過程
  • 現在： 撰寫驗證條件，定義任務成功標準。

Claude Code 的上下文組成

1. 使用者提示詞 (User prompt)
2. 引用 (Reference，如程式碼、文件)
3. 系統提示詞 (System prompt)
4. code.md 文件 (根目錄及各檔案目錄下)
5. 技能 (定義在文件中的技能)
6. 全域技能 (Claude Code 內建技能)

Doctor 命令的檢測維度

• 安裝問題
• 未使用的擴充功能 (Extensions) / 技能 (Skills)
• code.md 文件內容衝突或重複 (本地與全域)
• 可替代的冗餘代碼提示
• 未使用的 SKD 掃描
• 慢速記憶腳本 (Memory scripts) 影響
• 各組件佔用的上下文統計
• 權限檢查
• 版本檢查

關鍵概念

• 強模型 (Strong model)： 指的是能力強大、能自行推導邏輯並優化解決方案的大型語言模型，例如 Claude Code。
• AI 程式設計提示詞 (AI programming prompts)： 指向 AI 模型發出的指令，旨在引導其生成程式碼或其他開發相關內容。
• Doctor 命令： Claude Code 中用於診斷和優化系統提示詞、擴充功能及技能健康度的內建工具。
• 漸進式披露 (Progressive disclosure)： 一種資訊呈現策略，只在必要時才顯示相關資訊，避免一次性提供過多內容造成資訊超載，尤其適用於上下文管理。
• 上下文 (Context)： 指模型在單次對話或任務中能接收到的所有相關資訊，包括提示詞、程式碼、文件、系統設定等。
• code.md 文件： Claude Code 中一個重要的文件，其內容會被預載到每次對話的上下文中，用於提供專案背景、規範或特定指示。
• 技能 (Skills)： 指預先定義好的功能或程式碼片段，模型可在需要時調用，類似於函數或模組。
• 驗證者 (Validator) / 驗證條件： 指定義任務成功與否的標準和條件，取代過去詳細描述執行步驟的方式，讓模型專注於達成目標。

重要例子與細節

• 提供判斷的例子：
  • 讓模型根據現有程式碼自動推導出通用的開發規範或最佳方案，無需手動寫死規則。
• 提供結果或介面的例子：
  • 狀態管理： 若需要處理「未開始」、「進行中」、「已完成」等狀態，只需明確定義這三種狀態，模型就能自行推導狀態間的轉換邏輯。
  • UI 開發： 不需詳細描述 UI 元素（例如：上方、中間、底部），而是直接提供介面截圖或 HTML 原型，讓模型根據視覺資訊推導出功能

和程式碼。講師的例子是他製作筆記應用程式時，只提供應用商店的截圖，模型便能推導出功能並實現。

• 漸進式披露的例子：
  • 在 code.md 文件中設定條件判斷，例如「如果現在涉及這塊功能的開發，則讀取此文件內容」。這樣模型只有在實際開發相關功能時才會加載該文件的規則或業務邏輯，而不是每次對話都將所有內容塞進上下文。
• 上下文優化建議：
  • code.md 文件：雖然每次對話都會載入且無長度限制，但應只放置模型無法推導出的簡單「坑點」或關鍵資訊。隨著模型增強，需放在 code.md 的提示詞應減少。
  • 技能：建議將技能拆分得更細，類似程式碼中函數的模組化概念。
  • 引用：在設計 UI 時，建議使用 HTML 原型或截圖作為引用，讓模型直接從視覺訊息中推導功能。
• Doctor 命令的檢測結果示例：
  • 文件大小： 講師的 AginSMD (即 code.md) 大小為 2.8K，符合要求。全域 code.md 無內容，OK。
  • 技能建議： 建議禁用某些極少使用且佔用上下文的技能。
  • 插件建議： 建議禁用 Connect7 等插件。
  • 特定插件優化： 某 AACP3D 插件原始大小 40K，因採用「按需加載」（漸進式披露）方式，實際載入僅 11K，因此無需額外處理。
  • 操作選項： 跑完 Doctor 後，會提供清理擴充功能（如 Connect7、C1 插件、MCP 插件）和調整權限模式等操作選項，用戶可選擇由工具自動清理或手動選擇。
• 模型發展速度： 過去模型的版本更新週期是按月計算，現在已縮短到按週計算。
• 80% 提示詞優化原理： Claude Code 透過判斷模型名稱來決定是否使用一套系統提示詞。如果是特定模型（例如 Claude 自家模型），它會調用這套優化後的系統提示詞；如果不是，則可能仍使用正常的提示詞。

可學習的洞察

1. 適應性思維至關重要： AI 模型發展速度驚人，過去的「最佳實踐」可能迅速變成限制。我們必須保持開放心態，不斷迭代自己的提示詞策略和使用習慣，主動適應模型能力的變化。
2. 結果導向而非過程導向： 與其花時間詳盡描述「如何做」，不如清晰定義「要做什麼」以及「成功是什麼樣子」。讓強模型發揮其推導和解決問題的能力，專注於提供最終的目標和驗證標準。
3. 精簡與精準的上下文管理： 冗餘的上下文會拖慢模型效能甚至限制其思考。學習並實踐「漸進式披露」等技術，確保模型每次對話接收到的資訊都是最相關、最精簡的，以提升互動效率。
4. 善用診斷與優化工具： 就像程式開發需要除錯工具一樣，與 AI 互動也需要 Doctor 這類工具來診斷提示詞、技能和擴充功能的「健康度」。定期檢查並清理不必要的元素，是維持高效 AI 工作流的關鍵。
5. 模型與工具的匹配性影響深遠： 各大模型正推出自己的專屬 HMI 工具。了解並優先使用你所依賴的模型官方或自家推出的工具，因為它們能更好地適配模型的內部機制，發揮最佳效能，而通用提示詞可能不再適用。

可行動的整理

1. 檢視現有 AI 互動策略： 檢查你是否仍在使用硬性規則、提供過多範例或預載大量不必要的上下文。思考如何轉向提供判斷、結果或漸進式披露。
2. 練習定義「結果」與「驗證條件」： 在給予 AI 任務時，嘗試更清晰地描述最終目標和成功驗證標準，而非詳細指示執行步驟。例如，嘗試用 UI 截圖而非文字描述來引導 UI 開發。
3. 研究並應用漸進式披露： 如果你的 AI 工具支持，試著在專案文件中（如 code.md）設定條件，讓相關資訊按需加載。
4. 若使用 Claude Code，運行 Doctor 命令： 定期對你的專案環境進行健康檢查，根據建議清理未使用的技能、插件或優化 code.md 內容。
5. 關注你所使用的大型模型生態： 了解你主要使用的 LLM（如 GPT-

4, Gemini, Claude）是否有推出官方的專屬開發工具或 HMI 介面，並優先嘗試使用。 6. 持續迭代提示詞： 將提示詞視為活的程式碼，根據模型的更新和實際效果，不斷調整、優化你的提示詞庫和互動方式。

複習問題

1. 強模型時代下，AI 程式設計提示詞的「硬性規則」為什麼會變成阻礙？應如何轉變？
2. 在設計 UI 或處理狀態管理時，影片建議用什麼方式向 AI 提供資訊，取代過去的「提供範例」？
3. 什麼是「漸進式披露」？為什麼它比「前置上下文預載」更適合強模型？
4. Claude Code 的 Doctor 命令主要用來檢測哪些方面的「健康度」？它會提供哪些類型的建議？
5. 影片最後強調「驗證變得更加重要」，這代表我們在與 AI 互動時，除了目標之外，還需要特別關注什麼？以及為什麼建議使用模型官方的 HMI 工具？

待確認資訊

• 「MCP」和「AACP」插件的具體功能和全稱。
• 「SKD 掃描」的全稱或具體指代內容。
• 「記憶腳本 (memory scripts)」的具體用途和工作原理。