你的 CLAUDE.md 越写越长，agent 却越来越不听话

写进上下文的自然语言规则会随对话增长被稀释并静默失效，写进工具的确定性检查不会；AI 时代的工程化重点不是把 CLAUDE.md 写得更长更完美，而是少写自然语言 Prompt，把规则外化成确定性的机器护栏。

越长越礼貌的违规者

几乎每一个日常使用 Claude Code 或 Cursor 的工程师，都走过一条完全相同的规则膨胀曲线。

刚开始接触 Agent 时，配置文件里通常只有十几行：项目技术栈、启动命令、目录结构。代码跑得很顺畅。

随着交互深入，坏毛病开始冒头：Agent 随手定义了全局状态、漏掉了错误包装、顺手把业务实体塞进了持久化层，或者写出跨越 150 行的面条函数。

工程师的标准反应是加规则。发现一个问题，就在 CLAUDE.md 或 AGENTS.md 里追加一条：“严禁使用全局变量”、“函数长度不得超过 50 行”、“所有错误必须显式包装”、“必须为所有对外 API 补充边界测试”。

当这份文件从 20 行膨胀到 300 行时，诡异的现象出现了。

Agent 并不会报错，也没有拒绝你的要求。相反，它在每次回答开头表现得极其礼貌：“好的，我已完全理解项目的编码规范，接下来将严格遵循。”

随后敲出的代码，依然堂而皇之地违背你刚写下的第 47 条规则。

这是整个工程协作里最危险的形态：它不是硬性崩塌，而是静默失效。自然语言规约没有物理约束力，它退化成了加勒比海盗嘴里的法则——只是参考意见，随时可以忽略。

“模型不够聪明”是一个偷懒的借口

面对静默失效，开发者通常本能地把原因推给两处：要么抱怨当前底层大模型的推理能力不足，要么归咎于自己的 Prompt 措辞不够严谨。

于是折腾继续升级：给提示词加粗加叹号、增加严厉的负向词汇、补充大量 Few-shot 样例，甚至频繁切换到底层更昂贵的推理模型。

这完全找错了靶子。

只要你在一个没有任何历史包袱的空白会话里，单独把那条被忽略的规则喂给同一个模型，它的遵从率几乎是 100%。在干净的环境下，它完全知道如何拆解函数、如何包装错误、如何处理并发安全。

模型从来不缺理解单条规则的推理智力。

问题出在规则存放的物理位置：上下文内部的自然语言指令是会随时间衰减的消耗品，上下文外部的机器工具则永远保持冷酷。

规则在长上下文中的衰减物理学

自然语言规则为什么必然失效？这不是玄学，而是有据可查的计算物理学限制。

1. 注意力预算是一笔固定支出

Anthropic Applied AI 团队在 2025 年 9 月发布的 Context Engineering 指南中明确指出：

"Context, therefore, must be treated as a finite resource with diminishing marginal returns."

"Good context engineering means finding the smallest possible set of high-signal tokens that maximize the likelihood of some desired outcome."

大模型在处理输入时，消耗的是一份有限的注意力预算（Attention Budget）。

很多开发者误以为往系统提示里多塞一条规则，只是给 Agent “多装了一道安全锁”。事实上，输入序列里的每一个 Token 都在分摊模型的注意力权重。

当你往 CLAUDE.md 里多塞一条 50 词的格式规范，你不仅是在定义这条新规则，更是在从现存的每一条架构约束和业务上下文里，各自偷走一份注意力。

2. 位置偏差把规则推入遗忘盲区

早在 2023 年，斯坦福大学 Nelson F. Liu 等学者发表在 Transactions of the ACL（2024）的经典论文《Lost in the Middle》就揭示了一条残酷规律：

大语言模型对长上下文信息的提取能力呈现极端的 U 型分布。模型对最开头和最末尾的 Token 敏感度最高，对落入输入中间区域的内容捕捉率急剧下跌。

更重要的是，论文证实了两个常被误解的结论：位置偏差在经过充分指令微调（RLHF）后依然顽固存在；声称拥有更大上下文窗口的模型，并不会因此摆脱这种衰减。

在实际的编码会话中，工程师写在配置文件顶部的规范，随着对话推进，迅速被几万行的代码切片、目录树展开、终端输出和搜索结果向后推挤。

几轮交互过后，原本位于顶部的黄金规则，已经精准沉入 U 型曲线最底部的遗忘深渊。

3. 远在窗口耗尽前发生的上下文腐烂

许多人抱有侥幸心理：只要上下文窗口没用满，规则就还在。

Chroma Research 在 2025 年 7 月针对全球 18 个前沿商业模型（包括 Claude 3.5/3.7/4、GPT-4o/o3、Gemini 2.5、Qwen3 等）进行了长文本抗干扰横向实测。

实验给出了确凿的工程定论：Context Rot（上下文腐烂）远在触及上下文窗口物理上限之前就已经发生。

在标准的 LongMemEval 评测中，面对同一个精确检索问题，在约 300 Token 的精简上下文中，各大模型的准确率稳定在 70% 到 90%；而一旦在提示词中塞入真实的冗余上下文，模型准确率直接断崖式跌落至 30% 到 60%。

18 个前沿模型，无一例外。

每在提示词里多写一段絮絮叨叨的自然语言，你都在主动把模型推向性能腐烂的临界点。

长上下文中的注意力衰减与 U 型保留曲线示意图。（AI 生成示意图 / AI-generated illustration）

从脆弱的劝导到坚固的机器门禁

要切断规则失效的死循环，必须从根本上完成工程范式的迁移。

Thoughtworks Technology Radar Volume 34（2026 年 4 月）把控制 AI 代理编码质量的手段划分为两类截然不同的控制论形态：

• Feedforward Control（事前引导）：包括自然语言 Prompt、架构设计 Spec、Agent 技能定义。它的职责是指出方向与意图；
• Feedback Control（事后控制）：包括本地测试、静态分析、变异测试门禁。它的职责是在代码提交给人类评审前，提供无情的机器反馈闭环。

自然语言编写的 CLAUDE.md 永远属于脆弱的事前引导。它是劝导式的，在概率采样面前不堪一击。

而工具驱动的检查是阻断式的。无论当前对话推进到了第 50 轮还是第 100 轮，无论底层模型今天心情如何，退出码只有两种：0 或 1。

人可以被借口说服，Agent 只能被 Exit Code 卡住。

真正可靠的架构防腐，从来不该建立在祈祷大模型每一次都严格自律的幻觉上，而必须建立在机器护栏构筑的物理铁壁之中。

脆弱的事前劝导（Feedforward）与坚固的事后机器反馈闭环（Feedback Control）。（AI 生成示意图 / AI-generated illustration）

把自然语言外化为三道确定性护栏

将自然语言规则移出上下文，意味着要把开发规约沉淀为可被命令行调用的确定性程序。在工程实践中，以下三道护栏最值得优先落地。

1. 圈复杂度与代码腐烂控制（告别“请保持函数简短”）

在配置文件里写“函数不要超过 50 行”，Agent 经常为了规避行数限制，把长函数简单粗暴地切成四五个毫无复用价值的私有子过程，整体复杂度反而更高。

替代方案是引入量化指标：CRAP（Change Risk Anti-Patterns）分数。

这个指标由 Alberto Savoia 与 Bob Evans 于 2007 年在 Google Testing Blog 提出，计算公式如下：

$$CRAP(m) = comp(m)^2 \times (1 - cov(m)/100)^3 + comp(m)$$

其中 $comp(m)$ 是方法的圈复杂度，$cov(m)$ 是单测覆盖率百分比。

当代码覆盖率达到 100% 时，公式后半段直接归零，整个公式坍缩为：$CRAP(m) = comp(m)$。也就是说，在被充分测试的前提下，CRAP 分数精准等于圈复杂度本身。

敏捷先驱 Uncle Bob 在 2026 年 8 月的技术访谈中分享了他的做法：给 Agent 编写的代码设定 CRAP 阈值不超过 6。

这意味着任何函数的独立执行路径不得超过 6 条，且必须被测试完全覆盖。这条规则无需写进自然语言描述，直接作为流水线上的静态扫描脚本。一旦超标，脚本直接阻断提交并抛出具体超标函数名，Agent 自然会被迫进行符合逻辑的高内聚重构。

2. 变异测试击穿虚假覆盖率（告别“请写全单元测试”）

让 Agent 写测试时，最普遍的工程灾难是“100% 覆盖率的无效断言”。

模型为了满足覆盖率指标，会调用被测函数的每一行代码，却在末尾写出 assert result != nil 甚至完全省略断言。覆盖率数字极为漂亮，但代码逻辑一旦崩溃，测试依然全绿。

外化手段是引入 Mutation Testing（变异测试）。

变异测试工具会自动在 AST 层面微调生产代码：把 > 篡改成 >=、把 + 替换为 -、把布尔判断取反。如果这些带有破坏性的变异体在运行测试套件时竟然顺利通过，就证明 Agent 编写的测试根本不具备防御力。

Thoughtworks Radar v34 明确将变异测试列为主流的 Feedback Control 手段。把变异存活率作为机器门禁，Agent 在看到“变异体未被击杀”的精确报错后，才能被真正逼出具备边界校验价值的高质量断言。

3. 架构分层静态拦截（告别“模块间不要随意依赖”）

无论在 Prompt 里怎样三令五申“Handler 层绝不能直接调用数据库模型”，在上下文变长后，Agent 依然会为了图省事偷偷绕过领域服务层直连持久化。

解决这种架构腐蚀的最佳土壤是专有的静态分析器。

以 Go 语言生态为例，利用官方的 go/analysis 框架，工程师可以用不到 80 行代码编写一个自定义 Linter，精准校验 AST 语法树上的引用路径。当且仅当出现非法包导入时，Linter 抛出携带文件名、行号与规约说明的结构化诊断：

internal/handler/user.go:34:2: architecture violation: handler must not import internal/infra/db

面对这类机器输出的冷酷事实，Agent 不会产生任何狡辩与幻觉，它会在工具调用的原地根据报错调整架构，自动完成依赖反转。

AI 编码的三道确定性机器护栏：圈复杂度控制、变异测试有效性验证与 AST 架构拦截。（AI 生成示意图 / AI-generated illustration）

确定性检查的物理边界与成本上限

把自然语言规则外化为确定性检查，并不意味着可以无底线地在本地堆叠上百个耗时漫长的扫描器。

工具链本身存在严苛的边际成本。

Uncle Bob 在访谈中给出了清醒的警示：确定性工具链的验证开销必须极小。如果变异测试与静态检查需要跑半个小时，或者多个 Linter 之间互相冲突，Agent 就会陷入“按下葫芦浮起瓢”的无休止修复死循环。

当机器验证与自我纠错消耗的 Token 和时间超过了人工编写代码的成本，整个自动化的商业逻辑就宣告破产。

因此，工程师需要建立一份理性的边界决策清单：

• 坚决留在上下文内的内容：高信噪比的业务领域背景、核心意图描述、非直观的架构设计意图；
• 坚决踢出上下文并外化的内容：代码格式缩进、函数圈复杂度、类型安全校验、测试覆盖与变异杀伤力、跨包依赖规约。

自然语言适合描绘意图，机器指令负责把守底线。两者各司其职，体系才能真正运转起来。

让 Agent 自由跳舞，把围栏铸成铁壁

不要再试图把 CLAUDE.md 雕琢成一份长篇大论的员工守则了。

给一个由概率驱动的生成模型写厚重的自然语言道德规范，本质上是在用人类社会的管理思维套用机器系统。规则越长，注意力预算消耗越大，静默失效就发生得越快。

真正成熟的 AI 辅助研发实践，应当果断将庞杂的自然语言文件砍到几十行，只留下最高信噪比的核心意图。

省下来的精力，去写一个严苛的圈复杂度检查器，配一套自动拦截伪测试的变异引擎，挂几个阻断非法调用的本地 Linter。

给模型最大的自由让它快速产出代码，但在代码落地的必经之路上，用坚固的机器门禁筑起铜墙铁壁。

人或许能被借口糊弄，但编译器和测试用例，从不给任何谎言放行。

参考链接

• Anthropic: Context Engineering for AI Agents（2025-09-29）
• Nelson F. Liu et al., Lost in the Middle: How Language Models Use Long Contexts, Transactions of the ACL, 2024
• Chroma Research, Context Rot: How Context Length Degrades LLM Performance Across 18 Frontier Models, 2025-07-14
• Thoughtworks, Technology Radar Volume 34: Combat AI Cognitive Debt, 2026-04-15
• Alberto Savoia & Bob Evans, Change Risk Anti-Patterns (CRAP), Google Testing Blog, 2007
• Uncle Bob (Robert C. Martin) × Matt Pocock, Technical Interview on Agent Discipline and Pipelines, 2026-08-19