引导 vs 规则：写 skill 之前先看模型和样本

写 agent 的 skill 和提示词，「写得越细越好」是大多数人的第一直觉。LINUX DO 网友月城（@chinalives）11 月 3 日发帖，用自己公司的实践把这个直觉翻了个面：他克隆了 Codex、ZCode、DSH 三家的源码让 AI 学习后生成了一份《提示词编写通论》，核心发现是：规则该写多细，取决于模型能力和样本干净程度，不是一层不变的。

LINUX DO 帖：提示词编写通论

一、来源：源码学习加 AI 总结

这份通论不是手写的方法论文档，而是「源码学习加 AI 总结」的产物：作者克隆了 Codex、ZCode 和 DSH 三家的源码，让 AI 学习后生成通论，用来优化公司 agent 的 skill 和提示词。附件《提示词编写通论_脱敏版.md》97.3 KB，需登录才能下载；帖子本身 5 个赞、6 条回复，但讨论区的价值远超文档本体。

二、两条路线：引导与规则

月城自己的路线偏「引导」：他的项目环境跑 27B 模型，通论偏引导型，规则是弱性规则。实践做法是先给 agent 一份「业务世界观」（各业务的关联、主子级关系、名词解释），再加常见问题的引导思路，效果反而不错。他的对比经验是：用 DeepSeek 和 GPT 优化过的 skill 和系统提示词偏向强规则约束，反倒会让 agent 表现过于死板生硬。

评论区获赞最多的技术回复来自 steeeverlerer，他把这个观察整理成了一个显式的「能力-样本」框架：模型能力强就以引导为主，能力弱就以规则为主；接触的数据和样本干净，就让模型自己从样本中提炼规律；脏的话，事先过滤、事中避免脏资料扭曲模型注意力方向、事后设置测试保证效果。引导的具体手法是用模型预训练过的术语（如渐进式披露、浅模块、接口契约）直接告诉模型基本目标和背景，加少量高质量样本激发能力，不必讲述大量执行过程和注意事项。无人值守长跑另有补充：工作产物本身会污染上下文，需要规则加渐进式披露、必要测试打回不合格动作、子代理机制和止损机制。终极结论一句话：控制 AI 的行为，还得把它的工作环境搞好。

Matt Pocock skills：31 万星的开源技能库

三、渐进式披露的先例

steeeverlerer 还推荐了 Matt Pocock 的 writing-for-agents skill（mattpocock/skills 仓库，MIT，直读已到 31.1 万星），核心思路与上述框架同频：入口文档保持精简，用指针指向深层材料；删掉 no-op 指令（不改变模型输出的废话）。渐进式披露在这里不是新概念，但把它和「模型能力 vs 样本质量」的选型挂钩，是这份讨论的增量。

四、冷水：四条都得泼

一，方法论的科学性存疑：通论是 AI 生成的，生成过程本身没有公开方法，评判标准也没建立。二，「引导型」的适用边界很窄，作者自己承认前提是「模型能力稍强」：27B 本地模型、干净业务数据，别把引导写成放之四海的银弹。三，附件看不到全文，只能写讨论区披露的方法论，不要假装读过 97.3 KB 的原始文档。四，样本量：一个人的公司项目经验加一个帖子的讨论，标题里的「通论」二字本身就值得打引号。