在了解如何定義任務後，許多讀者會興沖沖地把公司上萬字的員工守則、SOP、格式規範，甚至上百個歷年踩坑案例，一口氣全塞進 AI 的提示詞對話框裡。
結果，AI 卻開始出現「恍神」、「漏看指令」，甚至連最基本的格式都寫錯的現象。
這在 AI 領域被稱為 Token 預算失敗（Token Budget Failure） 與 注意力潰散（Context Rot）。AI 的大腦（Context Window）雖然塞得下幾十萬字，但當你一次餵給它太多資訊時，它的「注意力預算（Instruction Budget）」會被無關的雜訊佔滿，導致真正核心的規則被淹沒，AI 的智商也會瞬間退化。為了解決這個瓶頸，現代 Agent 架構引入了資訊管理的減法美學：漸進式揭露（Progressive Disclosure）。
漸進式揭露：三層載入
只載入 Name & Description，先知道有哪些 Skill 可用。
命中特定任務後，才讀入該 Skill 的心法與原則。
需要格式範例或固定動作時，再按需讀取細節。
實戰步驟一：實施「漸進式揭露」的三層載入架構
要讓 AI 保持通用、輕量，並在需要時展現特定專業，我們應該將其資訊載入設計成三層結構：
第一層：Metadata 載入（知道有什麼可用）：系統啟動時，AI 只會載入每個技能（Skill）的 Name（名字）與 Description（簡介）。這通常只需要花費極少的 Token（約 100 tokens），目的只是讓 AI 腦中有一張「技能地圖」。
第二層：核心 Markdown 載入（觸發特定專長）：當你的對話內容觸發了特定關鍵詞，AI 辨識出簡介匹配，才會正式將該 weekly_report_drafting.md 的核心文件讀入大腦。
第三層：References 與 Scripts 載入（執行時調用細節）：繁雜的排版範例被移到 references，自動化動作寫成 scripts 腳本。AI 只有在執行到特定步驟時，才去讀取這些底層資源。這讓一個 Agent 可以帶領幾十種專業，卻只為當下使用的技能支付 Token 成本。
實戰步驟二：套用「500 行黃金剪法」修剪臃腫的 Skill
如果你的單一 Skill Markdown 文件（或者 Prompt 指令）超過了 500 行（或約 5000 字），這就是系統開始變笨的紅色警訊。你必須大刀闊斧地進行修剪：
留下「執行心法與決策原則（Why & Mindset）」：新世代推理模型極強，不要用死板的步驟限制它。告訴它心法（例如：「周報是寫給主管看的，因此挑選資訊的標準不是『我做了什麼』，而是『主管需要知道這件事嗎？』」）。AI 懂了這個原則，就能應付各種突發變動。
移出「繁複的格式與特例（What & Reference）」：把 200 行的 JSON 格式範例、100 行的命名對照表，通通丟進獨立的 reference 檔案。在主 Prompt 中只需要寫：「產出時，請參閱 references/format_sample.json 以確保格式完全一致。」
移出「確定性的死動作（How & Scripts）」：像「撈取過去五天的 GitHub commit 記錄」這種不需要 AI 發揮創意的死板動作，不要用自然語言去跟 AI 解釋步驟。直接寫個簡單腳本放在 scripts 裡，讓 AI 直接執行腳本，讀取腳本回傳的結果即可。這能節省 Context 空間，並讓產出更穩定。