Orang yang mengambil anggaran konteks dengan serius akan mendapat pengalaman bantuan AI yang lebih baik berbanding mereka yang secara buta menimbun Skill.

Penulis artikel, sumber: 0x9999in1, ME News

TL;DR

• Ekosistem kemahiran/plugin pembantu pengaturcaraan AI utama semasa ini sedang mengalami "kelesuan selepas pertumbuhan liar" — penimbunan kemahiran yang berulang, berlebihan, dan mati, yang secara serius merosakkan sumber jendela konteks yang berharga.
• Lobster Dad telah membuka sumber meta-skill khas untuk pemeriksaan menyeluruh terhadap Skill, yang meliputi lima fungsi utama: audit bajet, pengesanan ulangan, pemeriksaan barang tidak digunakan, audit direktori utama, dan penyederhanaan perihal.
• Tingkap konteks adalah salah satu sumber daya paling langka dalam model AI besar; setiap kehadiran Skill yang berlebihan menggunakan token yang tidak perlu untuk merebut ruang penalaran yang sebenarnya anda perlukan.
• Nilai utama alat ini bukanlah "lagi satu kemahiran", tetapi menggunakan satu kemahiran untuk mengurus semua kemahiran—ia adalah peringkat infrastruktur.
• Kekacauan dalam ekosistem Skill bukanlah fenomena individu, tetapi masalah struktural. Sistem plugin tanpa mekanisme audit akhirnya akan mengalami peningkatan entropi.
• Sumber terbuka bermaksud komuniti boleh mengitarinya berdasarkan ini, yang mungkin menjadi permulaan standardisasi tata pentadbiran Skill.

Pertama, nyatakan keadaan semasa: gudang Skill anda mungkin sudah menjadi tempat sampah.

Ini kata-kata yang tidak enak. Tapi cuba buka konfigurasi pembantu AI anda, hitung berapa banyak Skill yang dipasang, lalu fikirkan yang mana yang terakhir anda gunakan.

Jawapannya kemungkinan besar akan membuat orang terdiam.

Mulai separuh kedua tahun 2025, alat pengaturan AI seperti Cursor, Windsurf, Codex, dan Claude Code secara bersama-sama memasuki "perlombaan senjata kemahiran". Penyumbang komuniti mengeluarkan kandungan secara gila-gilaan, perpustakaan dalaman rasmi terus membesar, dan konfigurasi peribadi bertambah berlapis-lapis.

What's the result?

Pengguna berat yang typikal memiliki jumlah Skill melebihi 50 dengan mudah. Di antaranya, mungkin kurang daripada 10 yang boleh dipicu secara harian. Baki 40 yang lain berdiam diri di sana, dimuatkan ke dalam konteks setiap kali percakapan bermula, secara diam-diam menghabiskan anggaran token, kemudian—tidak melakukan apa-apa.

Ini bukan pembaziran. Ini jenayah.

Mengapa dikatakan begitu? Kerana tetingkap konteks bukanlah tak terhingga. Walaupun pada tahun 2026, panjang konteks berkesan model utama berada antara 128K hingga 200K token, kedengarannya banyak kan? Tetapi kira sendiri: petunjuk sistem, sejarah perbualan, petikan kod, kandungan fail, definisi alat, penerangan Skill… ruang yang benar-benar tinggal untuk "berfikir" jauh lebih terhad daripada yang anda bayangkan.

Setiap teks penerangan Skill yang tidak berguna mengambil 200 token, 50 buah ialah 10,000 token. Sepuluh ribu token, cukup untuk model membaca 400 baris kod lagi.

Ini bukan teori spekulasi. Ini adalah perkara yang berlaku setiap hari.

Mengapa tiada yang mengendalikannya? Kerana "tambah" lebih mudah sepuluh ribu kali berbanding "tolak"

Manusia mempunyai bias psikologi yang mendalam: bias penambahan.

Apabila menghadapi masalah, kami secara naluriah ingin "menambahkan sesuatu" untuk menyelesaikannya, bukan "mengurangkan sesuatu". Kajian yang diterbitkan pada tahun 2021 di dalam Nature secara jelas menunjukkan bahawa manusia secara sistematik mengabaikan "penyelesaian penolakan" apabila memperbaiki sesuatu, walaupun penolakan lebih berkesan.

Ekosistem Skill telah mereplikasi penyimpangan ini dengan sempurna.

Pengguna komuniti menulis Skill baru dan menerbitkannya. Pengguna merasa "mungkin berguna" dan memasangnya. Pihak rasmi menilai "cakupan fungsi luas" dan memasukkannya secara lalai.

Siapa yang akan memadamkan? Siapa yang akan mengaudit? Siapa yang akan berkata, "Kemahiran ini sama dengan itu, buang satu"?

Tiada siapa.

Kerana penghapusan tidak memberikan insentif. Tulis satu Skill baru yang boleh mendapatkan star, diiktiraf oleh komuniti, dan boleh dimasukkan ke dalam resume. Membersihkan satu Skill lama? Tidak mendapat apa-apa.

Ini adalah dilema struktural. Bukan masalah teknikal, tetapi masalah mekanisme insentif.

Hingga seseorang memutuskan: Saya tidak peduli dengan insentif, saya yang akan lakukan ini.

Pengasas Lobster bertindak: Menggunakan satu Skill untuk mengendalikan semua Skill

Siapakah bapa lobster? Jika anda terlibat dalam komuniti alat pengaturcaraan AI, ID ini tidak akan asing bagi anda. Pemain mendalam yang aktif secara berterusan dalam ekosistem Codex dan Claude, dikenali kerana pemikiran sistematik dan kecenderungan kejuruteraan yang teliti. Gelaran "Bapa Lobster" itu sendiri membawa pengiktirafan komuniti — jika seseorang diberi gelaran "bapa", ia bermakna dalam bidang khusus tersebut, beliau adalah orang yang tidak boleh dielakkan.

Barang yang dibuka sumbernya kali ini, pada dasarnya adalah satu meta-kecekapan (Meta-Skill).

Apakah itu kemahiran meta? Ia adalah "kemahiran untuk mengurus kemahiran". Ia tidak membantu anda menulis kod, tidak membantu anda menyesuaikan API, dan tidak membantu anda menghasilkan dokumen. Ia hanya melakukan satu perkara: memberikan pemeriksaan menyeluruh, kuantitatif, dan boleh dilaksanakan terhadap semua kemahiran yang anda ada.

Lima fungsi, diuraikan satu per satu.

Ini yang paling keras.

Ia melakukan perkara yang sangat langsung: mengira ruang token konteks yang digunakan oleh setiap Skill, mengira peratusan masing-masing terhadap bajet keseluruhan, kemudian memberikan cadangan pengoptimuman.

Mengapa ini penting? Kerana majoriti pengguna sama sekali tidak menyedari berapa banyak sumber yang dimakan oleh "Skill".

Anda menganggap memasang satu Skill hanya menambahkan satu fungsi. Sebenarnya, semua teks penerangan, definisi parameter, kod contoh, dan peraturan pemicu untuk setiap Skill perlu dimasukkan ke dalam petunjuk sistem. Setiap kali model membuat inferens, ia mesti "membaca" semula semua kandungan ini sebelum memutuskan sama ada memanggilnya.

Ia seperti anda membawa beg pendakian yang penuh dengan 50 alat. Anda menganggap "membawa tidak rugi", tetapi setiap tambahan satu kilogram, penggunaan tenaga anda bertambah. Apabila anda benar-benar perlu berlari pantas, anda sudah kehabisan tenaga.

Perkara yang dilakukan oleh audit belanjawan ialah membuka ransel dan memberitahu anda: "Pisau Swiss ini menaikkan berat sebanyak 3 kg tetapi anda tidak pernah menggunakannya, buang sahaja."

Masalah yang diselesaikan oleh ciri ini mungkin lebih serius daripada yang anda bayangkan.

Ruang lingkup pemindaiannya meliputi empat peringkat:

• Pustaka bawaan Codex
• Cache plugin
• Code repository
• Root directory of personal skills

Pindai lintas peringkat untuk kemahiran yang mempunyai nama sama, perihal serupa, dan fungsi tumpang tindih, dan tandakan item yang berlebihan.

Mengapa ada pengulangan? Ada banyak sebab.

Platform rasmi telah menyediakan Skill "pemformatan kod", tetapi anda tidak tahu dan memasang satu lagi dari komuniti yang fungsinya hampir sama. Dua Skill melakukan perkara yang sama, tetapi mengambil dua bahagian bajet.

Atau yang lebih halus: Enam bulan yang lalu, anda menulis Skill tersuai untuk mengendalikan penerangan JSON, kemudian kemas kini rasmi menambahkan versi yang lebih baik ke dalam pustaka binaan. Versi lama anda masih ada, tetapi tiada siapa yang memberitahu anda untuk memadamkannya.

Pengesanan ulangan tidak hanya melihat nama. Walaupun nama berbeza, tetapi penerangan sangat serupa, ia tetap akan ditandai. Ini adalah bahagian yang benar-benar bertechnical—ia perlu melakukan perbandingan kesamaan semantik, bukan hanya pencocokan rentetan string.

Mengenal pasti "kemahiran zombie" yang tidak dipanggil untuk jangka masa panjang berdasarkan log sejarah.

Logik ini jelas: jika sebuah Skill tidak pernah dipicu dalam 30 hari, 60 hari, atau 90 hari terakhir, kemungkinan besar ada dua situasi — either alur kerja anda tidak memerlukannya, atau syarat pemicunya dirancang dengan buruk sehingga model tidak pernah memilihnya.

Dalam kedua-dua kes, kesimpulannya sama: ia membuang-buang anggaran.

Fungsi ini menghasilkan senarai "calon pembersihan". Perhatikan, ia adalah "calon", bukan penghapusan terus-menerus. Keputusan akhir berada di tangan pengguna. Reka bentuk ini sangat berhemat dan bijak—ia tahu batasannya.

Beberapa kemahiran memang jarang digunakan tetapi sangat penting. Contohnya, "bantuan pemindahan pangkalan data", anda mungkin hanya menggunakannya sekali setiap tiga bulan, tetapi ketika digunakan, ia boleh menyelamatkan nyawa. Oleh itu, keputusan penyaringan adalah rujukan, bukan keputusan akhir.

Fungsi ini lebih bersifat "pengurusan operasi", tetapi sangat berguna.

Ia melakukan: mengira semua sumber direktori Kemahiran, menandakan status diaktifkan/dinonaktifkan, dan mengatur rantai pemuatan.

Mengapa ini diperlukan? Kerana sumber Skill adalah pelbagai. Ada yang berasal daripada konfigurasi global, ada yang daripada konfigurasi peringkat projek, ada yang daripada penyuntikan automatik plug-in, dan ada yang daripada penciptaan manual pengguna.

Apabila bilangan Skill sedikit, anda tahu pasti. Apabila bilangannya meledak menjadi puluhan, anda sudah tidak tahu lagi "Skill ini berasal dari mana", "Adakah saya boleh memadamnya dengan selamat", "Adakah pemadaman akan memberi kesan kepada perkara lain".

Audit root directory adalah seperti memberi anda peta. Ia memberitahu anda di mana setiap Skill berada, siapa yang memuatkannya, dan sama ada ia aktif atau tidak.

Dengan peta ini, anda baru boleh menjalankan pembedahan dengan selamat.

Fungsi terakhir, yang kelihatan paling "kecil", sebenarnya mempunyai daya tuas yang sangat besar.

Ia melakukan: mencari kemahiran yang diterangkan terlalu panjang, dan mencadangkan penyelesaian pemendekan.

Mengapa panjang deskripsi begitu penting? Kembali kepada yang telah dibincangkan sebelumnya: deskripsi Kemahiran perlu dimasukkan ke dalam petunjuk sistem. Setiap perkataan adalah token. Jika deskripsi satu Kemahiran boleh dikurangkan dari 200 token kepada 80 token, ruang yang dijimatkan apabila didarabkan dengan bilangan Kemahiran akan sangat ketara.

Banyak kemahiran yang disumbang oleh komuniti, huraian ditulis seperti ringkasan kertas ilmiah—latar belakang, motivasi, skenario penggunaan, perhatian, contoh input dan output, panjang lebar. Penulisnya berusaha dengan baik, tetapi dari sudut kejuruteraan, ini adalah reka bentuk yang berlebihan.

Perihal yang diperlukan oleh model: tepat, unik, boleh dibezakan. Cukup dengan perkataan paling sedikit untuk membuat model faham "Skill ini buat apa dan bila perlu dipanggil". Setiap perkataan tambahan adalah pembaziran anggaran konteks.

Menerangkan fungsi ini secara ringkas, pada dasarnya adalah melakukan "pengoptimuman songsang rekabentuk penerangan" — bukan menulis penerangan yang lebih baik, tetapi memendekkan penerangan yang sedia ada tanpa mengurangkan jumlah maklumat.

Di manakah nilai sebenarnya? Bukan pada fungsi, tetapi pada cara berfikir

Lima fungsi telah dipisahkan. Jika dilihat secara individu, sepertinya tidak ada yang "menggemparkan". Tetapi apabila digabungkan, ia mewakili satu perubahan dalam pola pemikiran:

Dari "mencipta lebih banyak Skill" ke "mengurus Skill yang sedia ada".

Nilai sebenar perkara ini bukan terletak pada jumlah kod atau kompleksiti algoritma, tetapi pada—akhirnya ada seseorang yang memperlakukan masalah ini sebagai "warganegara kelas pertama".

Dua tahun lalu, perhatian ekosistem alat AI sepenuhnya tertumpu pada "menambah". Lebih banyak model, lebih banyak fungsi, lebih banyak plugin, lebih banyak Skill. Berlari cepat, berlari keras, tiada yang menoleh ke belakang.

Tetapi siapa sahaja yang mempunyai pengalaman kejuruteraan tahu: apabila kerumitan sistem meningkat hingga tahap tertentu, tanpa mekanisme pentadbiran yang sepadan, ia akan runtuh.

Bukan mungkin. Ia pasti.

Dalam kejuruteraan perisian, terdapat konsep yang dipanggil "hutang teknikal". Setiap penyelesaian sementara, setiap kali "biarkan dulu begitu", dan setiap kelebihan yang tidak dibersihkan, adalah bentuk hutang. Semakin banyak anda berhutang, semakin tinggi faedahnya, sehingga suatu hari anda mendapati semua tenaga anda digunakan untuk membayar hutang, tanpa sisa tenaga untuk membuat perkara baru.

Hutang teknikal ekosistem Skill telah sampai pada masa yang perlu dihadapi.

Alat ini, Bapa Lobak, pada dasarnya adalah seorang auditor hutang. Ia tidak membantu anda membayar hutang, tetapi ia memberitahu anda: berapa banyak yang anda pinjam, di mana anda pinjam, dan mana yang perlu dibayar lebih dahulu.

Ini jauh lebih berharga daripada "menulis lagi satu Skill yang berguna".

Makna sumber terbuka: Dari alat peribadi kepada piawaian komuniti

Bapa lobster memilih untuk opensource, keputusan ini sendiri patut dibincangkan.

Dia sebenarnya boleh menjadikan alat ini sebagai plugin berbayar. Pasar jelas ada, masalah nyata wujud, dan pengguna berbayar tidak akan kurang. Tetapi dia memilih untuk membuatnya sumber terbuka.

Mengapa?

Saya menyangka ada dua pertimbangan.

Tahap pertama: Untuk alat ini benar-benar memberikan nilai, ia memerlukan pembinaan bersama komuniti. Mekanisme pemuatan Skill, format log, dan struktur direktori berbeza antara pelbagai platform AI. Seorang individu tidak mampu menyesuaikannya, tetapi seratus penyumbang boleh.

Tahap Kedua: Dia mungkin ingin mendorong bukan sekadar alat, tetapi satu piawaian. Bagaimana tata kelola Skill seharusnya dilakukan? Apakah dimensi audit yang perlu dipertimbangkan? Apakah amalan terbaik untuk pengagihan bajet? Soal-soal ini memerlukan konsensus komuniti untuk membentuk jawapan.

Open source adalah cara terbaik untuk mencapai konsensus.

Dalam sejarah rekabentuk perisian, ESLint untuk standard kod JavaScript, Black untuk pemformatan Python, dan Prettier untuk gaya kod前端—alat-alat ini menjadi piawaian sebenar kerana sumber terbuka membolehkan komuniti terlibat dalam penentuan peraturan.

Adakah kemungkinan Meta-Skill ini dari Bapa Lobster menjadi ESLint untuk pentadbiran Skill?

Masih terlalu awal untuk menilai. Tetapi arahnya betul.

Masalah yang lebih mendalam: Adakah sistem Skill perlu direka semula?

Alat audit menyelesaikan masalah "stok". Tetapi jika kita menaikkan perspektif satu tingkat, kita akan melihat masalah yang lebih mendasar:

Mengapa Skill menjadi tidak terkawal?

Jawapannya adalah: Sistem Kemahiran semasa tidak mempunyai pengurusan kitar hayat.

Selepas satu kemahiran dicipta, ia akan kekal selamanya. Tiada mekanisme tamat tempoh, tiada penarikan versi, tiada penurunan aktiviti. Ia seperti proses yang tidak akan pernah mati, mengambil sumber sehingga seseorang menghentikannya secara manual.

Bandingkan pengurusan proses sistem operasi: terdapat penciptaan, penjadualan, tidur, dan penghentian. Kitar hayat lengkap dan tertutup.

Bandingkan pengurusan kebergantungan pengurus pakej:npm auditsemak lubang keamanan, npm outdatedsemak kebergantungan usang, npm prunebersihkan pakej tidak digunakan. Alat pentadbiran adalah sebahagian daripada ekosistem.

Di mana sistem Kemahiran? Cipta → Gunakan → ... habis. Terdapat banyak peringkat yang hilang di tengah.

Alat bapa lobster pada dasarnya menggunakan alat luar untuk menggantikan kekurangan dalam reka bentuk sistem. Ia berguna, tetapi ia juga menunjukkan satu fakta: infrastruktur platform alat AI dalam tata kelola Skill masih berada pada peringkat awal.

Ini bukan kritikan. Ini adalah tahap yang tak terelakkan dalam perkembangan. Dari 2024 hingga 2025, matlamat utama platform ialah "menggerakkan ekosistem", dan tata cara boleh ditangguhkan ke kemudian hari. Tetapi pada pertengahan 2026, ekosistem sudah berjalan. Saatnya untuk mengejar ketertinggalan.

Penutup

Kembali kepada soalan awal: Berapa banyak Skill dalam pembantu AI anda yang aktif?

Jika anda tidak dapat menjawab, ini menunjukkan anda perlu menjalani pemeriksaan kesihatan.

Bapak Lobster memberikan alat. Percuma. Sumber terbuka. Lima dimensi, cakupan menyeluruh.

Gunakan atau tidak, itu urusan anda.

Tetapi satu perkara yang saya pasti: mereka yang serius memperhatikan anggaran konteks akan mendapat pengalaman bantuan AI yang lebih baik berbanding mereka yang hanya memadatkan Skill tanpa fikiran.

Kerana AI bukanlah serba boleh. Perhatiannya terhadap had, ingatannya terhadap had, dan sumber penalarannya terhadap had. Makin tepat dan bersih maklumat yang anda berikan kepadanya, makin baik output yang ia berikan kembali kepada anda.

Ini bukan ilmu gaib. Ini teori maklumat.

Shannon telah memberitahu kita sejak tahun 1948: kapasiti saluran adalah terhad, semakin banyak gangguan, kadar penghantaran maklumat yang berkesan akan semakin rendah.

Kemahiran yang ada dalam senarai kamu itu, yang seperti zombie, hanyalah gangguan.

Hapuskan mereka.

Rujukan

1. Adams, G. S., Converse, B. A., Hales, A. H., & Klotz, L. E. (2021). Orang secara sistematik mengabaikan perubahan penolakan.Nature, 592(7853), 258–261.
2. Shannon, C. E. (1948). A Mathematical Theory of Communication. Bell System Technical Journal, 27(3), 379–423.
3. OpenAI. (2024). Dokumentasi jendela konteks dan had token GPT-4 Turbo. https://platform.openai.com/docs/models
4. Anthropic. (2025). Kad model Claude: Penggunaan tetingkap konteks dan beban petunjuk sistem. https://docs.anthropic.com/en/docs/about-claude/models
5. Pasukan Cursor. (2025). Peraturan & Kemahiran: Bagaimana arahan tersuai dimuatkan ke dalam konteks. Dokumentasi Cursor.
6. Dokumentasi npm. (2025). npm-audit, npm-prune: Mengurus kitaran pakej. https://docs.npmjs.com/cli
7. Bapa Lobster. (2026). Pemeriksaan Kesihatan Kemahiran Meta-Kemahiran [Projek sumber terbuka]. Repositori GitHub.
8. Sculley, D., et al. (2015). Hidden Technical Debt in Machine Learning Systems. Advances in Neural Information Processing Systems (NeurIPS), 28.