在開發 AI 輔助編程的環境中，許多團隊會維護一個指令文件（Instructions file），用來告訴 AI 代理（AI Agent）該專案的規範、結構與開發習慣。然而，這些文件往往會隨著時間而膨脹：每當模型犯錯，開發者就增加一條規則；每當工具更新，就加入一個臨時方案。久而久之，指令文件變成了新進員工指南、風格手冊與除錯日誌的混合體。
根據 Microsoft .NET 部落格的分析，這種過度冗長的指令集反而會降低現代前沿模型（Frontier Models）的效能。現代模型在探索儲存庫、識別框架與自我修復錯誤方面已相當成熟，不再需要繁瑣的程序化指導。因此，核心挑戰在於如何實踐指令衛生（Instructions Hygiene），將上下文視為一種預算，僅保留能有效改變結果的高信號資訊。
指令衛生的核心邏輯在於區分模型能自行推論的資訊，以及必須由人類告知的私有知識。
高價值的指令應聚焦於模型無法透過掃描代碼自行發現的資訊。首先是系統中非顯而易見的事實，例如特定的架構邊界（如哪些目錄負責公共合約，哪些僅限內部使用）或某些舊有目錄雖看似過時但仍在使用中的生產環境代碼。其次是驗證代碼的最短可靠路徑，明確提供權威的建置與測試指令，避免 AI 在嘗試錯誤的指令上浪費時間。
此外，團隊內部的特定決策也是關鍵。當一種功能有多種合理實現方式時，應明確指定團隊選擇的方案（例如：優先使用 Minimal APIs 而非 Controllers）。最後是硬性約束與高成本錯誤，例如禁止將客戶數據記錄在日誌中，或要求資料庫遷移必須向下相容。這些屬於本地化決策或安全紅線，是模型無法透過通用訓練數據推論出的知識。
為了保持指令集的精簡，開發者應果斷刪除模型不再需要的內容。首先是泛泛而談的軟體工程建議，如「編寫乾淨且可維護的代碼」或「遵循最佳實踐」，這些通用知識前沿模型早已掌握，且因過於模糊而無法在實際決策中提供幫助。
其次，應避免在指令文件中列出詳盡的目錄清單，因為模型可以快速自行檢索文件樹。同樣地，由工具自動強制執行的格式化規則（如 dotnet format）也不必寫成文字，只需提供執行指令即可。此外，應移除那些針對舊版模型的提示詞技巧（Prompt Folklore），例如「深呼吸」或「一步步思考」等戲劇化鼓勵，現代推理模型更需要的是明確的結果定義與約束，而非心理暗示。
指令的放置位置同樣影響效能。建議採取漸進式揭露（Progressive Disclosure）策略，將指令分層管理。全域指令（如 .github/copilot-instructions.md）僅存放架構定義與通用約束；路徑特定指令（Path-specific instructions）則存放僅適用於前端或特定模組的規範。對於詳細的設計指南或部署流程，應以連結方式指向外部文檔，而非將其全部複製進指令文件。
在實務維護上，指令文件應像代碼一樣參與 Pull Request 審核。每當升級模型、更改建置系統或發現 AI 重複犯錯時，應執行「保留、刪除、移動、驗證」的審核流程。最理想的狀態是：先讓強大的模型嘗試執行任務，僅在觀察到重複性失敗時，才加入能修復該行為的最簡通用規則。
總結來說，指令衛生的目標並非追求極短的字數，而是追求最高的信號密度。健康的指令文件應該讓 AI 代理能快速進入工作狀態，而不需要教它如何成為一個合格的工程師。其持久價值不在於教導模型如何推理，而是在正確的時間、正確的範圍內，提供正確的事實。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。