背景

這篇討論源於一份針對 AGENTS.md（或 CLAUDE.md）等儲存庫層級上下文文件有效性的研究。隨著 AI 程式碼代理人的普及，開發者習慣在專案根目錄放置這類 Markdown 文件，提供專案結構、編碼規範或特定工具的使用說明，試圖引導 AI 代理人更精準地執行任務。然而，研究指出這些自動生成的上下文文件有時反而會降低任務成功率並增加運算成本，引發了 Hacker News 社群對於如何正確與 AI 協作的熱烈辯論。

社群觀點

社群對於 AGENTS.md 的實用性存在顯著的分歧。部分開發者認為這類文件極具價值，特別是當專案包含非典型的架構決策或「部落知識」時。他們指出，AI 往往會根據訓練數據中的常見模式做出假設，如果專案採用了特殊的資料庫遷移工具或特定的 Python 版本規範，將這些資訊寫入上下文能有效減少 AI 犯錯。然而，許多人也分享了類似「教導幼童」的挫折感，發現 AI 經常無視負面指令，例如告訴 AI 不要使用某種語法，反而可能因為強化了該關鍵字的權重，導致 AI 更頻繁地使用它。

針對文件的組織方式，資深開發者提出了一種「漸進式揭露」的策略。他們建議不要在根目錄放置一個巨大的說明檔，而是利用巢狀結構，在不同的子目錄放置針對該模組的微型上下文文件。這種做法能確保 AI 在處理特定功能時，只接收到最相關的資訊，避免過長的上下文導致注意力分散或品質退化。此外，也有觀點認為 AGENTS.md 的本質其實就是傳統的 CONTRIBUTING.md，這類文件的興起反映了開發者開始被迫將原本模糊的開發規範顯性化，這對人類貢獻者而言也是一種正向的副作用。

然而，另一派意見對此持懷疑態度，認為這是一種「貨物崇拜」的行為。有留言者指出，開發者往往會陷入不斷微調指令的陷阱中，雖然與 AI 討論規則的過程讓人感到富有成效，但實際的產出品質卻未必有對應的提升。他們認為目前的 AI 模型具有隨機性，且對上下文的理解並不穩定，過度依賴這類文件可能只是在追求一種心理上的控制感。更有研究者補充，隨著模型能力的演進，許多早期的提示工程技巧已逐漸失效甚至產生反效果，因此不應盲目遵循 AI 公司推薦的標準格式。

最後，關於 AI 代理人的「反思」能力也引發了技術性的討論。當開發者詢問 AI 為何做出錯誤決定時，AI 給出的解釋往往是事後補償的虛構邏輯，而非真正的決策過程。雖然具備推理能力的模型（如具有思考鏈的模型）能提供更透明的軌跡，但社群普遍認為，與其花費大量精力撰寫複雜的指令文件，不如建立完善的自動化測試與 Lint 檢查，讓 AI 在錯誤發生時能透過工具反饋自行修正，這比依賴靜態的說明文件更為可靠。

延伸閱讀

• Cursor Mirror: 一款用於分析 Cursor 聊天紀錄、思考過程與工具調用歷史的工具，能幫助開發者檢視 AI 的決策邏輯。
• Just: 一種命令執行工具，社群推薦將常用的開發指令封裝其中，方便 AI 代理人直接調用。
• SWE-bench: 研究中提到的評測基準，用於評估 AI 解決真實 GitHub 問題的能力。