“勤勉得可怕 的 AI 不懒、不烦、不怀疑，唯一的本能就是追加-- 膨胀在静音中发生 。”

说句实话，我之前写的那几篇，讲模型为什么不听话、Prompt 怎么分层重构、怎么自检，其实都默认了一件事： 是你亲手在维护 Prompt 。

上一篇自检清单最后一问，我还埋了个钩子，说 没刹车的自动修复比手动加规则更危险 。可真正踩进这个坑，是 2025 年 9 月那个两万行 Flask 项目，A 股量化分析站点的重构。

那次我用 ChatGPT 5.0 Codex，把两份几千行 py 喂给它，让它评估出一份开发提示词，再按这份提示词自动切层、自动改代码。

每轮重构出问题，我就让 AI 自己改提示词，改完再试。 我把 Prompt 的维护，整个外包给了 AI 自己 。那会儿我觉得这特聪明，全自动，我只需看结果。

四轮重构全失败，但真正让我后背发凉的不是又没成，是我后来回头，把那份开发提示词从头到尾读了一遍才发现的：它从第一阶段到第四阶段，越写越长，越写越眼熟，到第四阶段， 绕回了第一阶段的原点 。

等于我让 AI 改了四轮，它把提示词改成了一个 又长又绕、自己都读不动的怪物 ，然后告诉我：咱们从第一阶段重新开始吧。

那一刻我是真有点破防，那种感觉就像你给扫地机器人设了自动清扫，它每天勤勤恳恳把垃圾从这头扫到那头，一个月下来屋子没干净，垃圾倒堆成了一座小山，它还觉得自己超额完成了任务。

• 图1｜四轮绕回原点：自动化越勤勉，膨胀越静音

前面那几篇都假设你在亲手维护 Prompt，这篇我想讲另一条暗线：你把维护外包给自动化之后， 元凶就变了 。

📌 本文看点

01 自动化的勤勉，拆了你的刹车

02 AI 只会追加，不会减负

03 执行交自动化，判断留给人

01 ROOT CAUSE

不是模型不够强，是自动化的勤勉拆了你的刹车

先说我后来想明白的那个根因。

人手改 Prompt 的时候， 你是有刹车的 。你懒，你嫌烦，你写到第二条会停下来想：这条我是不是写过了？

「人的懒惰，就是膨胀的天然刹车。」

可我把维护交给 AI 自动跑，AI 不懒、不烦、不怀疑。它勤勉得可怕， 唯一的本能就是追加 。

每次 diff 都很小、看起来都正确，就加那么一小段，于是 膨胀静音发生 ，我压根没察觉。

这跟我第一篇《AI不是越强调越听话：别堆铁律了，先给Prompt瘦身》讲的恶性循环是一回事。但那篇是你亲手强调的恶性循环，听得见噪音；这次是 AI 替你强调的恶性循环 ，静音的，更阴险。

02 MECHANISM

单个 badcase 上，AI 到底干了什么

说它 只会追加 ，具体是怎么个追加法？

我后来拆解过，单个 badcase 出现时，AI 实际做了什么，它本来又该做什么。

现实路径就三步： 读 badcase 描述，生成一段新规则，找个它觉得相关的位置插进去 。完事儿。

理想路径应该是：先通读全文找已有规则，再分析根因，是措辞不清？位置不对？还是跟别的规则冲突？然后 做最小化修改 。

那会的LLM一步都没做对， 它永远选最安全的路径：追加 。不碰已有规则，万一改坏呢；不分析位置，那要理解注意力机制；不做全局审视，上下文预算不够扫一份长文档。

「每一步单看都合理，整体却是灾难。这不是 bug，是结构短板。」

你换个更强的模型、更好的工具，它还是只会追加，因为改长文档这事，那会的 LLM 就是 结构性做不到全局扫描 。

• 图2｜单 badcase 决策树：AI 永远只走「追加」这条路

03 EVOLUTION

四阶段，一份清爽的提示词怎么被养胖的

机制讲完了，光说可能没感觉。我用自己那份开发提示词的膨胀过程，给你看它具体怎么 一步步长胖的 。

我把那份开发提示词 四阶段的膨胀 ，大致还原过。

四轮追加，真正的新知识可能就一小段， 剩下全是重复表述 。每次都是一小段，累积起来就是原文的好几倍。

我后来看到腾讯那篇文章里有个 Agent Skill，从 400 行膨胀到 1500 行，同一条规则散布 8 处， 膨胀了 2.75 倍 。跟我这份开发提示词是一个模子，只不过人家更极端。

那种感觉怎么说呢？

就像你雇了个特别勤快的小工，你说哪儿漏了他就补哪儿，从不偷懒。可他补着补着， 把一面好好的墙补成了马蜂窝 ，最后告诉你：这墙不行了，咱推倒重砌吧。而那堵墙，本来就是你第一阶段就砌好的。

• 图3｜四阶段膨胀曲线：每次一小段，累积好几倍

04 CURE

怎么治：换个更聪明的工具？没用

很多人第一反应是： 换个更强的模型 ，或者换个更聪明的自动修复工具。

说实话，我试过，治不好。因为 这是结构短板，不是 bug 。我换过更新的模型试，结果一样，它改长文档时还是只会追加。

真正的答案是反过来： 给自动迭代加约束 。比如

① 行数预算，超了就强制进重构模式而不是追加模式；

② 比如插入新规则前，先扫一遍有没有语义相近的表述；

③ 比如单次追加上限，超了就考虑外置。

这套刹车的具体配置，我在《Prompt 不是越加越稳：别再加规则了，先给它把个脉》里详细给过了，这篇不重复。这篇我想讲透的是更前面那一步：你得先认清，让 AI 自动改 Prompt， 默认就是在养一台膨胀机器 。认不清这一步，后面刹车加再多也白搭。

「换个工具是治标，认清元凶、加上约束，才是治本。」

• 图4｜治标 vs 治本：换工具打叉，认清元凶加约束打勾

05 BEYOND PROMPT

不止 Prompt，任何只会追加的系统都会膨胀

这个陷阱是不是只发生在 Prompt 上？ 不止 。

其实你做 RAG，检索出 badcase 就往知识库塞新文档，最后 知识库全是重复和矛盾的文档 ，检索质量反而下降。你做规则引擎、做自动化运营策略库，一个道理。

这事本质是：自动化替你执行了积累经验的动作，但它没有判断这条经验是不是重复了、 该不该合并的能力 。

「它只会做加法，不会做减法。」

换句话说，经验它替你存了，但哪些是重复的、该并掉的， 它判断不了 。

所以哪天你发现一个自动跑的系统，越跑越臃肿、效果越跑越差，先别怀疑数据，别怀疑模型， 先去看看它是不是只会追加 。

∞ THE END

写在最后：执行交自动化，判断留给人

回看那些正在用 AI 自动迭代 Prompt 的开发者，我最想提醒一句： 自动化不是越多越好 ，尤其别把维护这种需要全局判断的事，整个外包给自动化。

自动化的甜头是省力气，它的代价是拆掉刹车。 你让 AI 自动写代码、自动跑测试，这些执行类的事交给自动化没问题。但改 Prompt、维护知识库、迭代规则这种判断类的事，自动化的部分只能负责草拟， 拍板和合并必须留给人 。

如果你已经在用 AI 自动迭代 Prompt 了，给自己定一条死规矩：每跑几轮，强制停下来，人通读一遍， 做一次全局合并 。不然你就是在亲手养那台膨胀机器，等它绕回原点那天，你才发现四轮白干了。

「AI 是干活的工人，你是拍板的老板。该你拍板的时候，别让工人替你做决定。」

下一篇，我会回到这个系列的总纲，聊聊 Prompt 工程到底在往哪走， 从写好一句话，到设计一个系统 。

END

如果你也把 Prompt 维护交给了 AI 自动跑，不妨评论区聊聊，你有没有被悄悄养出一台膨胀机器。

我是艾启蒙，热衷于分享 AI 观察与干货。

如果这篇文章对你有帮助，点个「分享」，让更多想学AI编程的朋友看到。 觉得内容有价值？设个邮箱订阅，以后每次更新都能第一时间收到。