2026年7月，Anthropic做了一件反直觉的事：把Claude Code的系统提示词从65K Token砍到13K，删掉了整整80%。结果不是变弱，而是变强了——代码准确率不降反升。
这件事在开发者社区炸了锅，但真正值得关注的不是"Anthropic删了什么"，而是它暴露的一个行业级问题：过去两年，几乎所有AI编程工具都在疯狂往系统提示词里塞东西，而这些提示词正在像技术债一样，悄悄吃掉你的Token预算和响应质量。
什么是"提示词债"
如果你写过几年代码，一定知道技术债：为了赶进度写的临时代码，堆积到一定程度后开始拖慢一切。提示词债是同一个逻辑，只不过债主变成了Token消耗。
看看一个典型AI编程工具的系统提示词长什么样：旧模型的约束规则、冗余的输出格式示例、大量的条件分支。这些东西在旧模型时代有用，但在Fable 5、GPT-5.5这一代模型面前，它们不是帮助，是噪音。
Anthropic研究员Tariq Shihipar在WF2026上分享了一组数据：GPT-5.5 medium用2万Token就能完成的任务，Opus 4.8需要5万Token。差距不在模型能力，而在提示词体积。你的提示词每多一万Token，每次请求就多烧一万Token。一个月跑下来，算力开支可能是薪资的2.3倍——这是Anthropic内部统计过的数字。
删掉什么，怎么删
Anthropic的清理分三层，每层都值得开发者对照自己的工作流检查。
第一层：删除过时规则。 那些"不要做X""先分解再执行"的约束，是给上一代模型写的护栏。新模型不需要了，留着反而让它在回答前多查一遍规则库，增加推理路径。删掉后准确率反而提升。
第二层：合并冗余示例。 bash命令的输出格式原来配了六七种样例，砍到只留一种模板，其余让模型自行推断。Fable 5比它自身的示例更有想象力——过多的示例反而成了限制。
第三层：移除"保险条款"。 "如果遇到X情况，请执行Y"这类条件分支，是团队为避免AI犯某个错误而加的补丁。但Prompt越长，推理路径越长，Token消耗越大，而且大多数分支在真实任务中根本碰不到。
你自己的提示词债有多重
Claude Code的65K是官方的，但你自己的"债"可能更隐蔽。检查三个地方：
项目级提示词文件。 很多团队把CLAUDE.md、.cursorrules这类文件写到200行以上，塞满项目约定、代码风格、架构说明。每次会话启动，这些内容作为输入Token全量计费。一篇150行的约定文件大约2000 Token，一天开20次会话就是4万Token的固定开销——还没写一行代码。
MCP服务器。 每个启用的MCP服务器，其完整工具定义会在每次请求时注入上下文。5个连接的服务器，轻松增加数千Token的常驻开销。两小时内没用过的，关掉。
重复读取的文件。 每次让AI读一个文件，文件内容作为输入Token注入。同一个文件被读取5次，就计费5次。把高频引用的大文件写进CLAUDE.md缓存住，比反复Read便宜得多。
降本的真正杠杆：不是单价，是用量
这轮AI编程的成本优化，主流声音都在盯着API单价。DeepSeek V4 Flash 0.28美元/百万Token确实诱人，但Anthropic删80%提示词这件事说明，真正的大头在用量端。
Prompt caching能省90%的缓存命中成本；/compact能在会话拖长后把上下文从15万Token压回1万；模型路由让Haiku干80%的杂活，Opus只管架构决策。这些手段加起来，有团队把6人月账单从2400美元压到680美元。
但所有手段的前提是：你得先认清自己有多少提示词债。砍掉那些为旧模型写的约束、合并那些重复的示例、关掉那些用不到的MCP服务器。这一步不花一分钱，但效果可能比换一个更便宜的模型还明显。
写在最后
Anthropic删掉80%提示词，表面是省钱，本质是一个信号：模型已经强到不需要你手把手教了。你还在写的那些详细指令、保险条款、格式示例，大概率不是在帮AI，而是在拖它的后腿。
清理你的提示词债，从今天开始。打开你的CLAUDE.md，数数有多少行是为半年前的模型写的。删掉它们，看看准确率和账单哪个先变好。