用/doctor给Claude Code体检，清理闲置技能与过时指令

当Claude Code开始显得变慢或不够敏锐时，问题未必出在模型本身，而可能出在叠加在模型之上的所有东西。Anthropic表示，它把Claude Code的系统提示词（模型在每项任务前都会读取的常设指令）削减了80%以上，而在编程基准测试上没有出现可测量的下降。同样的道理也适用于你自己的环境：旧规则、用不到的技能，以及从其他文件夹混进来的指令文件，每次会话都会被一并加载。内置的/doctor命令可以快速找出这些负担，并帮助你决定该去掉什么。

为什么减少指令并没有让结果变差

早期模型如果不加约束就容易啰嗦，因此系统提示词里有大量生硬的禁止性规则，例如对注释长度的严格限制。针对Opus 5、Fable 5和Fable 5.1等新模型，Anthropic移除了这些护栏。关于长注释的规则被替换成一句话：编写与周围代码风格一致的代码，在注释密度、命名和惯用写法上保持一致，并运用自己的判断。其背后的考虑是，更强的模型本身已具备良好的判断力，僵硬的规则反而会碍事。

Claude Code的创造者Boris Cherny走得更远。他建议使用编程智能体的开发者每六个月删除一次CLAUDE.md文件、技能和钩子，看看新模型如今能独立完成哪些工作。他所指出的问题可以称为“指令债务”：因过去某一次失误而添加的规则，在模型更新使其变得多余之后仍长期生效。因品牌配色出错而在CLAUDE.md中加入“只用蓝色”这类规则，就是典型例子。

上下文也并非越多越好。2025年一项针对五个模型的研究发现，即便所需信息全部位于上下文窗口（模型一次能读取的文本量）之内，输入越长，模型在数学、问答和编程上的表现就会下降13.9%到85%。这些是用一年半以前的模型做的对照实验，因此具体数字未必适用于精简个人CLAUDE.md的情形。

Anthropic把同样的思路用在了工具上。Claude Code不必一开始就加载所有MCP工具定义（MCP即模型上下文协议，是把AI模型连接到外部工具和数据的标准），而是可以借助工具搜索工具，只在需要时查找相应定义。

token用量减少了85%，准确率不降反升。

▲ 按需加载工具

少给信息，但保留关键内容

Anthropic的Applied AI团队建议，以能完整界定预期行为的最小信息集为目标。最小并不意味着省略必要的技术细节。要删掉的是逐步指挥的细枝末节，要保留的是模型无法推断或查到的事实。简单地说，最好的上下文就是能以最低成本产出最好结果的最少内容。

把任务交给当前的模型时，通常讲清三点就够了：

• 结果：“完成”是什么样子
• 原因：为什么要做这件事
• 约束：必须遵守的限制

说明原因的作用比想象中更大。在一次对比中，一份访谈文字稿以两种方式被整理成学习资料。设置繁复的一方加入了格式规则、品牌模板、链接规则和结构指令，产出了一份带品牌标题、外观精致的文档。只说明这份资料面向学生的极简设置，则产出了组织更好、技术细节更丰富、时间戳也更准确的内容。说明意图后，Claude会主动采用类比、直观解释和贴近生活的例子。看来，精致的外观可能掩盖较弱的结构。

但这并不意味着要删掉所有背景信息。语气、战略目标和目标受众等与该工作相关的上下文值得保留，而僵硬的流程清单则值得先测试再精简。像视频剪辑规则这类只服务于某项任务的详细流程，应只在该任务进行时加载，而不是在写脚本时加载。好的CLAUDE.md应保持简短：写明项目目的、主要陷阱，以及只在需要时才读取的详细指令文件位置。

/doctor能发现什么

在Claude Code中运行/doctor，会对设置、插件、MCP服务器、技能、记忆和安装路径执行十项只读检查。报告会列出每个技能的作用范围、安装后的使用次数、估算的常驻token数，以及删除等建议处理方式。Claude Code注册技能时只读取YAML前置信息，也就是技能文件顶部的简短头部，而不是整个文件。即便如此，每个已注册的技能在每次会话中都会占用一定的token。

对一个真实工作环境的审查发现了以下问题：

节省35个token听起来微不足道，但在长会话中，小浪费会迅速累积。未使用的技能不一定要删除，可以在本地设置文件中关闭。检查结束后，/doctor会询问是全部应用、挑选项目、全部保留还是自定义。批准前应先审阅清单，不要盲目接受自动建议的删除操作。

▲ Claude Code环境体检

不只审查设置，也审查工作流

同样的方法也适用于整个工作流。在一个用于制作视频脚本的代码库中，有人请Claude Code给出能让从原始创意到可拍摄脚本这一过程更快的最小改动，要求复用现有体系、准确指出涉及的文件，并且暂不做任何修改。

结果发现，大纲技能和脚本技能各自独立进行一手资料的事实核查。在25个项目文件夹中，只有3个有记录研究内容的标准sources.md文件，研究结果没有从上一步传递到下一步。Claude提出在两个技能中修改三处：在写大纲时把证据保存到sources.md，写脚本时直接读取该文件，而不是重新调研。如果步骤之间的交接没有标准化，同样的检查和调用往往会重复发生。

结论：定期审查，换模型时也要审查

想让Claude Code发挥更大作用，往往靠的是删减指令而不是增加指令。一套实用的做法如下：

1. 在项目中运行/doctor，查找未使用的技能、损坏的前置信息，以及从上级文件夹混入的CLAUDE.md文件。
2. 逐项审阅发现的问题，关闭不用的技能，并给含冒号的前置信息值加上引号。
3. 删除CLAUDE.md中为旧失误而添加的规则，合并重复说明，把特定任务的流程移到单独的文件中。
4. 分配工作时，讲清结果、原因和约束，让模型自己提出结构。
5. 如果设置经常变动就每月审查一次，比较稳定就每季度审查一次；每当更换主力模型时立即审查，因为不同模型理解指令的方式不同。

你还可以把/doctor和更全面的审查设为后台定时任务，让它列出只需一键批准的建议。个人AI环境变得杂乱，最常见的原因是维护难以坚持，因此把这一习惯交给自动化，看起来是更持久的做法。