Mythos 要來了，你的舊提示詞正在拖垮新模型？

這支影片討論的是 AI builder 面對模型快速進化時的一個隱藏陷阱。講者用實習生升遷的比喻開場：三年前新人需要詳細手冊，成為準管理層時反而只需要 OKR，但很多系統仍用著為舊模型設計的複雜提示詞。這個矛盾並非新鮮事——AI 領域已反覆驗證了一個原理，Rich Sutton 在 2019 年稱之為「Bitter Lesson」：歷史上每次人類試圖靠自己的專業知識手把手教 AI 怎麼做，最後都輸給了提供更強模型、讓機器自己學的方案。西洋棋、圍棋、影像辨識、現在的語言模型都是如此。

講者指出，你塞給模型的每一個「how to」都是在賭模型不會變聰明——模型一變聰明，那些指令就從助力變阻力。Anthropic 和 OpenAI 都公開給出同樣建議：隨著模型進步，人為干預要減少。這不是巧合，而是業界共識。

問題是，為什麼那麼多人還是不願意砍掉這些複雜的提示詞和流程？講者認為根本不是技術問題，而是身份焦慮——把寫的 prompt 複雜度當成自己 AI 能力的證明。這就像父母不願放手讓成長的孩子獨立做決定，明知那樣阻礙孩子進步。

影片的後半部分給出三項立刻可檢查的方向。第一是「保姆式提示詞」，即那種「先做 A、再做 B、最後做 C」的逐步指令。以客服 agent 為例，舊模型需要 3000 token 的 system prompt，其中大半是告訴模型先分類意圖、再查庫、再檢查幻覺。但新模型只要告訴它目標（「解決這個客戶問題，他離開時應該滿意」），它會自己找路。審視方法很簡單：逐句讀提示詞，問自己「這段是因為模型做不到，還是因為我被它踩過坑」。如果是後者，就試著刪掉——驚人的多數情況下品質不變甚至更好。

第二是「檢索框架」。一年前 context window 小、模型也無法自主判斷，所以必須提前準備好所有可能的資料。現在 context window 達百萬 token，模型能自主判斷。Anthropic 的 Claude Code 就採用輕量級檔案引用模式——不提前 index，而是讓模型需要時自己用 glob、grep 查找，效果還更好。但這不代表可以擺爛；資料存放、權限控管、查詢成本等基礎建設仍需要你做。關鍵是問：這個檢索階段存在是因為模型無法判斷相關性，還是業務規則強制？前者可讓模型自主，後者必須保留。

第三是「寫死的規則」，最需要判斷力。比如客服系統寫著「購買未滿 30 天、非特價、要求退款就全退，否則轉人工」——這就是決策樹。舊模型無法從政策文件推理出判斷邏輯，所以需要你一條一條列出 40、80 條規則。但真實商業世界中不可能窮舉所有情境，決策樹必然遺漏 corner case。強大的模型只需要最高指導原則就能臨機應變。

講者提供了簡單的判斷標準：這條規則是 business rule 還是 model rule？Business rule 是法規、權限控管、資安底線——不管模型多聰明都必須遵守。Model rule 是「檢查語氣」「勿編造產品名」「遇不確定要明說」——當模型變聰明，這些全部無用武之地。直接問：「把 Mythos 跑這個任務，少了這條硬規則它會不會自己做對？」→ 會做對就是 model rule，可砍；法規強制或即使能做對也不能讓它自主決定，就是 business rule，要留。

當你完成這三項檢查後，系統會演變成一個新架構，包含四個要素。Outcome spec 告訴模型終點在哪（「解決客戶問題」而非「先分類再查庫」），讓模型規劃路徑。Guardrail 是不可越線的 business rule。工具清單 是你給模型什麼工具它就能做什麼，重點在於定義清楚而非決定調用順序——模型才是 orchestrator。協作模式 只在多 agent 系統中需要，核心只是定「誰規劃、誰執行、誰評估」。

這個新架構有個重要特性：系統知道的「怎麼做」越少，就越能吃新模型的紅利。塞滿流程的系統是一次性的，新模型來要重寫；結果導向和工具導向的系統是可升級的，新模型來幾乎無痛升級。

最後講者把這件事拉回個人發展。如果你現在把自己的 AI 能力定義為「寫精密 prompt、設計複雜 chain-of-thought、手調 RAG pipeline」，這些素養很重要，但在 2026 年價值會快速貶值。真正決定你能否搭上模型升級便車的是另外兩項能力：一是「會定目標」——清楚表達自己要什麼、成功/失敗樣貌；二是「會給 context」——判斷模型需要什麼資訊才能做好決定，然後準備好。這兩項能力都不是 AI 出現才有的，是通用工作能力，只是被 AI 時代放大了。有了這兩項，你不害怕模型升級，反而期待——因為模型越強，越需要清楚的方向和乾淨的資料，而不是詳細的步驟。