ETH Zurich研究警示：冗长AGENTS.md文件让AI编码助手性能下降

背景

近日，ETH Zurich的研究团队在 arXiv 上公布了题为《Context Engineering for AI Coding Agents》的论文，系统评估了在代码库中使用 AGENTS.md（以及 CLAUDE.md 等）作为全局上下文文件对编码智能体表现的影响。

关键发现

• 成功率下降：自动生成的上下文文件使任务成功率平均降低约 3%；即便不使用任何上下文文件，成功率更高。
• 推理成本上升：注入上下文会导致推理费用增加超过 20%，并且需要更多的推理步数才能完成相同任务。
• 人工编写收益有限：人工编写的 AGENTS.md 仅带来约 4% 的成功率提升，提升幅度远低于其成本。
• 模型规模非关键因素：使用更强大的模型（如 GPT-5.2）生成上下文文件并未改善结果，模型内部已有足够的库知识，额外的上下文反而成为噪声。

为什么“好”上下文失效

研究指出，智能体对上下文文件中的指令极度服从。当指令与实际需求不匹配时，智能体会遵循冗余要求，从而消耗额外的推理 token，导致效率下降。常见的目录树、代码风格指南等信息在大多数情况下是多余的，因为模型能够自行发现文件结构并遵循项目的既有 lint/formatter。

新的上下文工程准则

必须包含（Vital Few）

1. 技术栈与目标：简要说明项目使用的主要语言、框架以及核心业务目标，帮助模型快速定位关键组件。
2. 非显而易见的工具链：明确标注特殊构建或测试工具（如 uv 替代 pip），研究表明明确提及的工具使用频率提升约 160 倍。
3. 关键入口点：提供主要入口文件或关键接口的路径，便于模型直接定位。

必须排除（Noise）

• 详细目录树：省略完整的文件层级列表，模型自带的搜索能力足以定位所需文件。
• 代码风格规范：将代码风格交由自动化 linter/formatter 处理，避免在上下文中占用 token。
• 针对性极强的指令：除非任务明确需要，否则不要加入仅适用于极小子集的问题规则。
• 自动生成的内容：禁止让模型自行生成上下文文件，缺乏人工审校的文件往往噪声更大。

结构建议

• 行数控制：保持文件在 300 行以内，理想情况下不超过 60 行。
• 渐进披露：根文件仅提供指向子文件的链接（如 agent_docs/testing.md），在需要时再加载。
• 指针而非复制：使用 file:line 形式的指针指向代码实现，避免代码片段随时间陈旧。

实践意义

• 对企业级开发团队而言，遵循上述准则可在保持模型性能的同时，将推理成本降低约 20%。
• 对模型研发者来说，研究提示了“上下文噪声”对智能体行为的负面影响，为未来的提示工程提供了新的方向。

“上下文越精简，模型越自由。”—— ETH Zurich 研究团队

结论

ETH Zurich 的实验表明，盲目堆砌 AGENTS.md 内容不仅无法提升 AI 编码助手的表现，反而会增加成本并降低成功率。通过聚焦关键信息、削减冗余、采用指针式引用，开发者可以实现更高效、更经济的代码生成与审查工作流。