別為馬具鑲珠寶：Skill、Agent、Memory 堆砌如何造成 Context 污染 | AI Insights
我們花了大把時間打造 Skill、Agent、Rules、Memory 與各種單元測試，以為堆得越多 AI 就越強。但真相往往相反——這些東西正在悄悄 污染 你的 Context，把 AI Agent 的注意力塞滿，讓它工作效率大幅下降。本質上，所有工具都只是駕馭 AI 的 馬具，與其在馬具上鑲珠寶自我感覺良好，不如換一匹更好的馬、鋪一條更好的跑道。
一個令人不安的觀察：工具越多，AI 越笨
如果你最近沉迷於替 AI Agent 配置各種工具，你可能已經隱約察覺到一件事：明明加了一堆 Skill、寫了詳盡的 Rules、塞滿了 Memory，AI 的表現卻沒有變好，甚至比你只給一句乾淨提示語的時候還要糟。
它開始忽略你真正在意的指令、在不該觸發的地方觸發了某個工具、把簡單任務做得繞來繞去。你忍不住懷疑：是不是我工具配得還不夠多？於是又補了幾個 Agent、加了幾條規則——然後情況更糟了。
這不是錯覺，而是一個有名字的現象：Context 污染（Context Pollution）。
問題的根源不在於「工具不夠」，恰恰相反，問題在於「工具太多」。
先回到本質：所有工具都只是馬具
在我先前的文章中，我談過 Harness Engineering（駕馭工程） 這個概念：未來工程師的角色，是從「親手寫每一行程式碼」轉變為「駕馭 AI 來自動化整個流程」。
而駕馭的核心，是一套 馬具（Harness）。
請你記住這個比喻，因為它是理解這整篇文章的鑰匙：
AI Agent 是馬，而 Skill、Agent、Rules、Memory、MCP、測試規格……全部都只是馬具。
馬具的唯一功能，是讓你能夠駕馭這匹馬、把牠的力氣導向你要去的方向。本質上，AI 的工作方式從來沒變過——它就是讀取一份 Markdown 文件（你的提示語、規則、記憶），然後依照文件去做事。所有看起來炫砲的新技術，拆開來看，底層都是「用文字規範 AI 該怎麼做」。
馬具是必要的。沒有韁繩，馬會亂跑。但這裡有一個致命的認知陷阱——
很多人開始以為，在馬具上鑲越多珠寶，馬就會跑得越快。
Context 污染：當 Skill、Rules、Memory 開始互相打架
要理解為什麼堆砌工具會有害，你得先理解 AI 的一個硬限制：上下文視窗（Context Window）是有限的，而且它的注意力是一種預算。
每當你載入一個 Skill、注入一條 Rule、喚醒一段 Memory、掛上一個工具定義，這些內容全部都會被塞進同一個上下文視窗裡，跟你真正想下達的指令擠在一起。它們會發生幾件事：
- 訊噪比下降：你真正重要的那句指令，淹沒在幾千字的規則與記憶裡。AI 必須在一堆雜訊中費力辨認出「現在到底要做什麼」。
- 注意力稀釋：模型的注意力是有限資源。當無關的工具描述佔據了上下文，分給核心任務的注意力就變少了。
- 指令互相矛盾：你寫的 Rule A 可能跟某個 Skill 內建的指引衝突，Memory 裡又存了一條三週前的舊決策。AI 夾在中間，不知道該聽誰的。
- 觸發誤判：工具掛得越多，AI 越容易在錯誤的時機觸發錯誤的工具，因為它要判斷的選項變多了。
各式各樣的單元測試規格、邊界條件、mock 設定一旦全部塞進上下文，情況更嚴重——這些東西對「規範品質」也許有用，但當它們無差別地灌進 AI 的工作上下文時，反而成了拖垮判斷力的負擔。
這就是 Context 污染：你以為你在賦予 AI 更多能力，實際上你在往牠的視野裡倒垃圾。
為馬具鑲珠寶的錯覺
讓我直說那個最常見、也最危險的心態：
「我裝了這麼多工具，配置看起來好厲害、好完整、好專業——我的 AI Workflow 一定很強。」
這是一種 自我感覺良好。珠寶鑲在馬具上，閃閃發亮，拍照很好看，讓你覺得自己走在技術前沿。但馬不會因為馬具上多了幾顆鑽石就跑得更快——牠只會因為負重更多而跑得更慢。
新技術會不斷推出：更花俏的 Agent 編排框架、更複雜的 Memory 系統、更多層的 Skill 嵌套。每一個都很誘人，每一個都讓你產生「不用就落伍」的焦慮。但在你採用之前，請務必問自己一個問題：
這個東西，是讓馬跑得更快，還是只是讓馬具看起來更貴？
大量堆砌工具與追逐炫砲的新技術，多數時候解決的是「你的焦慮」，而不是「AI 的效率」。真正高效的 AI Workflow，往往簡單到讓人意外——精簡的提示語、清楚的目標、乾淨的上下文。
真正讓馬跑得快的兩件事
如果鑲珠寶沒用，那什麼才有用？答案不在馬具上，而在另外兩個地方。
第一，換一匹更好的馬種——更好的模型
這是最被低估、卻最有效的一招。一個更強的基礎模型，它的推理能力、指令遵循度、上下文處理能力的提升，輕鬆輾壓你辛苦堆疊的任何工具組合。
當你還在為弱模型瘋狂補規則、寫一堆 workaround 來矯正它的錯誤時，換上新一代模型可能讓那些 workaround 全部變成多餘。與其花一週優化馬具，不如直接升級馬種。模型的代際差距，是任何馬具都補不回來的。
第二，鋪一條更好的跑道——優秀的工程基礎建設
馬再好，跑在泥濘的爛路上也快不起來。AI 的跑道，就是你的 工程基礎建設：
- 完善的 CI/CD 流程：讓 AI 產出的程式碼能自動測試、自動部署，AI 在一個有即時回饋的環境裡迭代，速度才會起飛。
- 乾淨的程式碼架構與型別系統：清晰的型別、明確的模組邊界，讓 AI 不需要靠你塞一堆 Rule 去「解釋」這個專案，它自己讀程式碼就懂了。
- 自動化的測試與回饋迴路：測試的價值在於「跑起來給 AI 即時回饋」，而不是「把測試規格塞進上下文當作規則」。
跑道好，馬就跑得快——而且這個加速是結構性的、可累積的，不像鑲珠寶那樣只是裝飾。
精簡，才是高效的真相
把上面的邏輯收束起來，真正該投入心力的，其實只有一件事的不同維度：讓 AI 在最乾淨的上下文裡，收到最精確的指令。
這意味著你的優化方向應該是：
- 提升提示語的品質與精確度：用最少的字，把需求講到最清楚。一句精準的提示，勝過十條模糊的 Rule。
- 做減法而非加法：定期審視你掛了哪些 Skill、存了哪些 Memory、寫了哪些 Rule，把不再服務當下任務的全部砍掉。
- 工具只在需要時載入：不是「先把工具全部裝好以備不時之需」，而是「這個任務需要這個工具，才載入這個工具」。
- 把規範交給跑道，而非上下文：能用型別、CI、測試自動把關的，就別寫成 Rule 塞進 AI 的腦袋。
精簡不是偷懶，精簡是一種紀律。它要求你誠實面對「這個工具到底有沒有讓馬跑得更快」，而不是用堆砌的數量來掩飾對效率的不確定。
結語：先看你的馬，再看你的跑道
下一次當你又想替 AI Workflow 加上一個新 Skill、一套新 Agent 編排、一層新 Memory 時，先停下來，回到那個比喻：
你是想讓馬跑得更快，還是只是想在馬具上多鑲一顆珠寶？
如果是後者，那顆珠寶不只幫不上忙，它還會成為污染上下文的重量，拖慢你的整匹馬。真正的 AI Workflow 高手，比的不是誰的馬具最華麗，而是誰的馬最強、跑道最順、韁繩最精準。
把心力從「裝飾馬具」轉移到「升級馬種」與「鋪設跑道」，再用精準的提示語當作那條乾淨俐落的韁繩——這才是讓 AI 真正為你高速奔馳的方法。
希望這篇文章能幫助你重新檢視自己的 AI Workflow。如果你對 Harness Engineering 或 AI 工作流的設計有任何想法，歡迎到 Contact 頁面 與我交流。