上周落地了李开复的"反谄媚提示词"（让 AI 别讨好我），这周看到一个更狠的实验。

一个叫"明"的开发者，花了 5000 美金（约 3.6 万人民币），跑了 111 次实验。他要搞清楚一件事：人类给 AI 定的那些编码规范，到底是在帮它还是害它？

实验怎么做的

让 AI 从零写一个 Scheme 解释器，反复修改扩展 28 轮，每轮都要通过所有之前的测试。

两组对比：

  • 屎山组：放手不管，AI 爱怎么写怎么写，一个函数写到 5000 行也不管
  • QG 组（质量门控组）：严格执行人类规范——函数不超过 50 行、嵌套不超过 3 层、代码要通过 lint 检查

作者自己站 QG 组这边。规则是他定的，裁判是他，参赛的也是他，他想让自己赢。

结果：屎山组完赛率 65%，QG 组 62%。认认真真写的规范，把自己的组给打崩了。

三次打脸

第一次：早期 10 关，屎山组一次性通关。QG 组在多个小文件之间反复跳转，token 都烧完了还没写完。

第二次：深入分析发现 QG 组 70% 的 token 花在了满足 lint 规则和 50 行函数上限上——拼命重构已经能跑的代码，而不是让测试通过。

第三次：作者专门设计了"技术债务惩罚关卡"想制裁屎山组。结果惩罚关卡反而卡死了 QG 组——因为拆得太散了，AI 跨文件推理负担爆炸。

为什么会这样

核心差异在"认知缓存"大小。

人的工作记忆很小，一次只能记 4-7 个东西，所以代码要拆成小块、分层、分文件——每个小块人能看懂。

AI 的工作记忆大得多，最优的局部性粒度是人类的 3-5 倍。你把代码拆成 20 个小函数散落在 5 个文件里，对人来说是分治，对 AI 来说是碎片化——它要反复加载、跳转、重建上下文。

实验测出的硬数字：

  • 函数 500 行以内：AI 基本不出错
  • 文件 1500 行以内：安全区
  • 5000 行以上：出错率跳到 26-42%

那个 50 行函数上限，相当于让一个能举 200kg 的人只用 10kg 的哑铃做组——不是帮它，是绑它。

对普通 AI 用户有什么用

一个反直觉的原则：规则越具体、越长、越一刀切，AI 反而越省 token。

你说"务实一点"，AI 不知道你心里务实的分界线在哪。你说"别过度设计"，AI 不知道多过度算过度。模糊的规则会让 AI 猜出两三种理解，每条路各分析一遍——token 全烧在揣摩你的意图上。

这跟李开复的反谄媚提示词形成了一对：

  • AI 不要讨好人类（反谄媚）
  • 人类不要用老标准束缚 AI（这篇）

两边对齐，才是人机协作的正解。

我的落地

我在 Claude Code 工作区做了三件事：

  1. 把"禁止暗示性句式"改成了具体的黑名单——不要求 AI 自己判断什么叫暗示，直接列禁止词
  2. 归档规则加了映射表——哪些信息写哪个目录，一刀切，AI 不自己分类
  3. 触发条件从模糊的"需明确触发"改成了关键词匹配——消息里有"配图""画板"才触发

都是小改动，但每一条都在消除"AI 需要揣摩我"的模糊空间。

一个更大的故事

明在文章最后讲了个场景：

周六晚上加班上线，一个函数堆了 800 行，20 个 lint 错误，测试挂了 20 个。CTO 动用了超级管理员权限强行合了代码。建了个 Jira 任务说"以后再重构"。

三年后你成了 TL。某天灵光一现想到了更好的写法，花一下午把那坨代码改成了 100 行和 300 行。真漂亮。

然后你把代码提交到一个新分支上，连 PR 都没开。

"能跑的代码就不要去改"——这些年看过太多血淋淋的案例了。

但如果重构的成本趋近于零呢？如果不需要加班到半夜、只需要一句话呢？

这就是 AI 时代要重新回答的问题。

实验数据开源在 GitHub: mingyang91/ming-bench。作者提醒：每跑一轮会烧掉 100-300 美金 Opus token，谨慎复现。