AI 技能不是加越多越好！日本工程師意外發現加了自訂技能反而讓 Claude Code 效能大縮水，還讓 Token 消耗爆量

替 AI 代理人（AI Agent）擴充自訂技能（Skills），真的能讓開發效率翻倍嗎？答案可能讓你有點意外。

日本資深軟體工程師かわしん（kawasin73）近日發表了一篇文章，他表示，自己最近在一次的實測中，意外發現自己為 Claude Code 撰寫的自訂技能，不但沒有加速工作流程，反而因為注入冗餘指令，導致對話輪次增加、Token 消耗量暴增近一倍，實質引發了「AI 效能退化」。

「自從習慣用 AI 寫程式後，我自己連 Code Review 都很少做了，甚至連 AI 生成的技能程式碼我也懶得看，只要程式能跑就覺得『萬事大吉』。」

作者在技術專欄中坦言，當在沒有嚴謹評估的情況下盲目堆疊自訂技能時，AI 往往會在「看似順利完成任務」的假象下，卻於暗處默默吞噬龐大的 Token 成本與運算時間。

在一次專案中發現的問題

在日常開發流程中，他表示習慣使用 Claude Desktop 應用程式並行開啟多個工作階段（Session）進行多工開發，並在每次工作階段結束時執行回顧技能以持續改善開發環境。對於很多進行AI開發的朋友來說，他的這些動作應該大家都很熟悉。

不過，他表示，當背景同時開啟多個工作階段時，介面上常會出現多個相同標題的工作區，極易造成切換混淆。

為了解決手動修改標題的繁瑣步驟，作者決定開發一個名為 session-title 的自訂技能，設計為在回顧流程啟動時自動於工作區標題開頭加入 Emoji 圖示進行標註。在桌面版 Claude 中，修改標題可直接呼叫 MCP（Model Context Protocol）工具，但讀取當前標題則需讀取本地檔案系統。第一版技能共 78 行（約 4 KB），詳細說明了如何調用相關工具。

不過，當作者將工作流程搬移至雲端環境（Cloud Session）時，發現原本的改名功能失效。經檢查後確認，其實在雲端環境中，官方本身就提供了讀取與設定工作階段標題的兩組原生 MCP 工具。

為此，作者將技能擴充至 139 行（約 7.4 KB），企圖讓該技能同時相容桌面與雲端環境。

然而，這次擴充引發了他對於這個架構上的質疑：既然雲端原生環境已經具備現成的 MCP 工具，為什麼還需要額外注入 7KB 以上的技能文字去『教導』模型？這種冗餘的指令是否反而成了干擾？

為了驗證猜想，作者隨即在雲端環境針對「重新命名（任務 A）」、「加入 Emoji 前綴（任務 B）」與「單純讀取標題（任務 C）」三項操作進行了嚴格的自動化量化測試（Eval on Cloud）：

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% 成功
A：重新命名	無自訂技能（原生）	167,779 tokens	基準線	100% 成功
B：Emoji 前綴	掛載自訂技能	364,229 tokens	+58.2% ⚠️	100% 成功
B：Emoji 前綴	無自訂技能（原生）	230,194 tokens	基準線	100% 成功
C：讀取標題	掛載自訂技能	174,081 tokens	+11.6% ⚠️	100% 成功
C：讀取標題	無自訂技能（原生）	155,960 tokens	基準線	100% 成功

測試數據令人大為震驚：無論有沒有掛載自訂技能，AI 都能 100% 順利完成任務；但在掛載他所開發的技能後，Token 消耗量卻飆升 50% 至 85%！

因此，自訂技能非但沒有提供任何加速價值，反而成了無謂霸佔上下文視窗（Context Rot）的昂貴包袱。

桌面端深度對照：精簡專用化才是正解

作者進一步在 Claude Desktop 本地環境進行深度對照。

實測顯示，在需要讀取本機檔案系統的場景下，自訂技能確實顯著降低了對話輪次與 Token 消耗；但在純粹的「重新命名」任務中，技能的存在反而讓對話輪次從 4 輪增加至 7 輪，Token 消耗翻倍。

這項結果證實了一項關鍵規律：模型本身就懂得如何調用 MCP 工具修改標題，技能中冗長複雜的說明就變成完全是畫蛇添足；唯一真正需要技能說明的，只有「桌面端如何從本地檔案系統讀取標題」這項模型原生缺失的能力。

因此，作者將該技能徹底重構為專門讀取標題的 get-session-title，剔除所有修改標題的廢棄指令，將代碼從 139 行大幅精簡至 29 行（約 1.3 KB）：

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

如何避免 AI 技能在暗處退化？建立評估測試機制

如果沒有主動察覺異狀並展開量化評估，這類「任務雖然成功、但效能與成本大幅惡化」的隱性退化將長期侵蝕開發資源。

針對這項隱憂，作者引用 Anthropic 官方探討 Agent Skills 的架構，將 AI 技能劃分為兩大核心類別：

1. 能力提升型技能（Capability uplift skills）：賦予模型原本不具備的特定操作能力或私有環境知識（例如：如何讀取本機特定內部檔案路徑）。
2. 編碼偏好型技能（Encoded preference skills）：定義程式碼風格、命名規範或特定輸出排版偏好。

由於現在的模型已經不斷在進化，工具的生態也越來越成熟，以前我們建立的技能，很有可能已經在現代的模型架構下不再適用。因此，他也提出三項防範「技能退化」的建議：

最小干預原則：只為模型補足「真正欠缺的能力」，切忌用落落長的提示詞去重複教導模型早已內建的原生 MCP 工具。
強制導入評估機制：特別是針對「能力提升型技能」，應撰寫自動化測試腳本，定期測量掛載前後的對話輪次（Turns）與 Token 消耗變化。
動態汰除過期技能：隨著底層基底模型與工具生態快速升級，原本需要外掛技能補充的能力可能已被原生功能整合。開發者必須定期審查並果斷刪除過時技能，避免 AI Agent 陷入「越擴充越遲鈍」的技術泥淖。

新聞來源：kawasin73.hatenablog.com/entry/2026/08/24/171022