AI 摘要
- 日本工程師實測發現為 AI 工具盲目堆疊自訂技能會導致效能退化並使 Token 消耗暴增近一倍。
- 測試顯示雲端原生環境已具備相關工具，冗餘技能說明會大幅增加對話輪次與快取成本。
- 開發者應採取最小干預原則並精簡技能代碼，定期汰除已被原生架構取代的過期擴充。
由 Anthropic 所推出的命令列 AI 開發輔助工具 Anthropic Claude Code，近期成為許多軟體工程師提升多工開發效率的熱門選擇。然而，日本資深工程師かわしん（kawasin73）最新實測報告指出，盲目替 Anthropic Claude Code 堆疊自訂擴充技能（Skills），非但無法加速工作流程，反而可能因注入過多冗餘指令而引發「AI 效能退化」，甚至讓對話輪次倍增、Token 消耗量狂飆近一倍。
自訂技能架構陷阱：雲端原生 MCP 工具讓冗長 Prompt 成為負擔
在日常多工環境下，開發者常於桌面端並行多個工作階段，為了解決工作區標題混淆問題，作者最初為 Claude Desktop 與 Claude Code 設計了名為 session-title 的技能，用以自動為標題加上 Emoji。最初版本為 78 行（約 4 KB），但為相容雲端環境（Cloud Session）後被擴充至 139 行（約 7.4 KB）。
然而檢查發現，雲端環境本已內建讀取與設定標題的原生 MCP（Model Context Protocol）工具。當模型被強行注入 7 KB 以上的自訂技能文字時，非但沒有增加新功能，反而霸佔了寶貴的上下文視窗（Context Rot），大幅增加快取讀取負擔。
雲端自動化量化實測：掛載自訂技能之成本對比
針對雲端環境中的三項典型操作，作者透過自動化評估測試（Eval on Cloud），比較了掛載自訂技能與純原生工具的表現差異。結果顯示，雖然所有任務均達到 100% 成功率，但自訂技能的額外 Token 增幅高達 85.7%：
| 測試任務 | 測試條件 | 平均快取讀取（Cache Read Tokens） | 額外消耗增幅 | 任務成功率 |
|---|---|---|---|---|
| A：重新命名 | 掛載自訂技能 | 311,582 tokens | +85.7% | 100% |
| A：重新命名 | 無自訂技能（原生） | 167,779 tokens | 基準線 | 100% |
| B：Emoji 前綴 | 掛載自訂技能 | 364,229 tokens | +58.2% | 100% |
| B：Emoji 前綴 | 無自訂技能（原生） | 230,194 tokens | 基準線 | 100% |
| C：讀取標題 | 掛載自訂技能 | 174,081 tokens | +11.6% | 100% |
| C：讀取標題 | 無自訂技能（原生） | 155,960 tokens | 基準線 | 100% |
桌面端重構驗證：精簡專用技能成功降低對話輪次與成本
在本地桌面端環境中，由於模型無法原生讀取本地檔案系統，自訂技能確實具備補足能力的效果。然而在寫入任務上，原本肥大的 139 行技能卻讓對話輪次由 4 輪暴增至 7 輪。經重構為僅保留讀取邏輯的 29 行（約 1.3 KB）get-session-title 專用技能後，整體表現獲得顯著改善：
| 桌面端測試項目 | 原始肥大技能（139行） | 精簡專用技能（29行） | 最佳化效益 |
|---|---|---|---|
| 重新命名（純寫入） | 7.00 輪 / 38.3 萬 tokens | 4.00 輪 / 20.3 萬 tokens | 對話輪次減少 43%，Token 砍半 |
| 讀取標題（純讀取） | 6.00 輪 / 26.9 萬 tokens | 5.00 輪 / 20.1 萬 tokens | 穩定維持極速讀取能力 |
防範 AI 效能退化的三大關鍵原則
隨著模型底層邏輯與 MCP 生態持續升級，過往撰寫的擴充技能極易過時。為避免 Anthropic Claude Code 陷入「越擴充越遲鈍」的困境，開發者應落實以下原則：
- 最小干預原則：僅針對模型缺失的能力進行擴充，避免重複教導模型已原生具備的 MCP 工具。
- 強制導入評估機制：針對「能力提升型技能」建立自動化腳本，持續監控對話輪次與 Token 消耗變動。
- 動態汰除過期技能：定期審視底層模型更新狀況，及時刪除已被原生架構涵蓋的冗餘擴充項目。
Reference Link : techbang.com
