Claude Code 80%的提示词说删就删，Anthropic用Fable 5打了个样：AI行业的“降本”才刚刚开始

“Fable 5这个价格远高于中国程序员一天工资。写代码一天烧几百万token已经很节约了，然后一看账单几千rmb。” 这是正在发生的现实。根据最新数据显示，Anthropic 自家公司花在算力上的钱，也已经达到其薪资支出的 2.3 倍。按照一名高级工程师 22.4 万美元的完全成本来算，Anthropic 每位工程师每年对应的算力支出约为 51.5 万美元。也就是说：人还没模型贵。 在这种账单面前，连 Claude 自己也不得不开始省 token 了。 Claude Code：烧token换“我很高产”的错觉 最近，业界又有了一个新词：Token Apocalypse（Token 末日）。 从 token maxing 到 token apocalypse，预示着 AI 行业真的发生了一种非常大的范式转变。今年三四月份，大家还在炫耀自己用了多少 token，甚至把它当成一种排行榜。但使用AI 并不自动意味着省钱，于是大家开始更强调单个 token 的成本。 更微妙的是，大模型还在扩大很多原本根本不需要用AI的工作。我们现在PDF 不想自己读了，长文不想自己看了，所有东西都要让 AI 总结。或者把这些东西用AI转成幻灯片，再丢给别人，对方可能再用 AI 读这些幻灯片......AI 像是在给一些本来就很虚的工作再强行注入一层价值，同时也把账单悄悄推高。 如今，成本失控已成常态。亚马逊、Adobe、Atlassian、花旗集团等公司开始对 AI 使用实施严格管控： 限制模型等级：一些公司的员工被禁止使用 Claude Opus 等高端模型，被迫降级到更便宜的版本；设定个人限额：Uber 为每位工程师每月设定了 1500 美元的 token 上限；彻底停用权限：花旗银行等机构已完全限制对高级 AI 工具的访问，未达使用目标的员工甚至会被撤销企业账户。在此之前，Uber 的 CTO 曾坦言，公司在几个月内就用完了全年 AI 预算。Walmart 最近也停止了一些工具的使用。 大公司要么在四处找省钱办法，要么直接给 token 浪费踩急刹车。因此员工收到的信息极其矛盾：一边是“AI 能让你效率翻 100 倍，必须用”，一边是“别再把公司用破产了”。 这也是 AI 工具第一轮普及里最典型的问题：工具被推出时，并没有足够护栏来阻止公司在大语言模型上花掉数百万美元，也没有机制提醒团队token正在迅速烧光。不管是聊天机器人还是编码工具，很多产品先把“能用起来”摆在第一位，成本治理、使用配额、模型分级和上下文管理都被放到了后面。 但Claude Code 本质上不是效率工具，而是一个营销工具。 它的设计目标很明确：让你感觉自己在高产。Boris，Claude Code 的项目负责人，在做这个产品时最初的思考是： “如果模型变得足够聪明，代码会变成什么样？我希望如何使用这些东西？”——出发点不是“如何帮开发者省 token”，而是“如何展示模型的聪明”。 Anthropic 愿意为这种“感觉”烧掉大量 token——不管是你的钱，还是它们自己的钱。五分钟花掉 200 美元，对 Claude Code 来说不是事故，是设计。它的底层逻辑是：能多烧 token 解决的问题，绝不找更省 token 的办法。 所有 sub-agent、所有花哨的 UI 动画、所有冗长的 reasoning trace，都不是为了效率，而是为了让你盯着屏幕时，觉得“这模型真聪明，真能干”。 这背后是一个精心设计的营销闭环：你烧掉大量 token，换来“高产”的感觉，于是觉得 Claude 好用，然后继续用它。 Anthropic 甚至愿意自己承担大量 token 成本，来换取这种情绪上的认同。这也是为什么它们的桌面应用明显投入不足——Claude Code 的目标从来不是做一个好工具，而是成为 Anthropic 模型能力的"最佳展示窗口"。 而恰恰是这种"烧 token 换体验"的设计哲学，让 Claude 在token效率上被 OpenAI 甩开了。 OpenAI 一直在拼命压 token。从 reasoning trace 的压缩，到模型本身的效率优化，它们的哲学是：用更少的 token，干同样的活。Codex 5.5 就是最好的例子。 尽管像 Fable 5 这样的模型很智能，但与其他模型相比，它的效率不算高，Deep SWE 的这张图很能说明问题。如果将同批模型放一起对比，则更明显：GPT-5.5 medium 只用了 2 万个 token，就拿到了惊人的分数；而 Opus 4.8 用了 5 万个 token，得分反而更低。 这就是两条路线最直接的写照：行业在恐慌，Claude 在烧，OpenAI 在省。而接下来的问题就是——既然要降本，第一个该砍的是什么？答案是：那些堆了太久的提示词。 Claude Code的Prompt 债：堆得越多，欠得越多 在最新的演讲中，Anthropic 表示，他们已经删掉了 Claude Code 80% 的系统提示词。 Anthropic 技术团队成员 Tariq Shihipar 解释说，这反映出 AI 模型引导方式正在发生一次根本变化——过去，人们认为指令越多、例子越多，模型表现就越好；但现在，这个逻辑不再成立。新模型 Fable 5 比它们自己给的示例更有想象力，示例反而成了限制。 这当然有营销成分，他吹嘘了一把Fable的能力：“示例反而容易限制模型，因为它实际上比我们给出的示例更有想象力”。但一个事实绕不过去：连 Anthropic 自己都开始对 system prompt 下刀了。 那么，为什么以前需要那么多 prompt？ 过去一两年，AI Coding 圈形成了一套惯性思维：上下文越大越好，工具说明越多越好，system prompt 越完整越好。模型不知道项目怎么组织？写 Agents.md。模型不知道工具怎么用？写 tool descriptions。模型不够主动？写行为引导。模型不够稳定？继续往 system prompt 里加约束。 不可否认，system prompt 曾经是 AI Coding 工具的核心竞争力。对 LLM 的 prompt 做一些小调整，就可能带来显著的性能提升。如果同一个模型在 Codex、Cursor、OpenCode 和 Copilot 里的感觉不一样，那几乎肯定是因为 prompting 上存在细微差异。 这也是为什么 Cursor 曾花大量时间测试 system prompt，做 A/B testing，针对不同模型微调提示方式。与在 Claude Code 里使用 Opus 相比，Cursor 的 harness 能显著提升模型表现，一些 benchmark 测到的提升甚至高达 10% 到 30%。 差别核心往往就是那几段 prompt。 但问题是只要 prompt 有用，团队就会不断往里加东西。某个模型喜欢乱用工具，就加一段规则；某个模型不够主动，就加一段鼓励；某个模型搜索太多，就补一段限制；某个模型不理解项目上下文，就再加一个 markdown 文件。每一次增加都有理由，但长期堆下来，system prompt 开始变成一个巨