2026最新Skill指南｜官方揭Claude 5世代新規：不用給大量範例、指令講一次就好|數位時代 BusinessNext

重點一：Anthropic 為 Claude 5 世代刪除 Claude Code 逾 8 成系統提示詞，內部編碼評測成績沒有可測量的下滑。

重點二：針對 Claude 5 世代的上下文工程，Anthropic 建議減少過度約束與大量工具範例，改以清楚介面、漸進式揭露及模型判斷力為主。

重點三：CLAUDE.md 應保持精簡，集中放置需持續遵守的專案規則與模型不易自行發現的陷阱；Skills 則適合承載按需載入的流程、知識與團隊觀點。

如果你曾為了讓 Claude 更聽話，在設定檔裡寫滿規則、堆滿範例，Anthropic 有個壞消息：面對 Claude 5 世代的新模型，這些心血有一部分可能正在扯 AI 的後腿。

Anthropic 技術團隊成員 Thariq Shihipar 於 2026 年 7 月 24 日在官方部落格發文揭露，團隊為 Claude Opus 5、Claude Fable 5 等 Claude 5 世代模型，刪掉了 Claude Code（Anthropic 推出的 AI 程式開發工具）超過 8 成的系統提示詞，內部編碼評測的成績卻沒有任何可測量的下滑。

這件事的言外之意是：過去一兩年在社群流傳的一批提示詞守則，包括給 AI 範例、立下嚴格規矩、把注意事項寫好寫滿，正被規則的制定者親手重新檢討。

這裡先建立一個背景觀念。當你送出一則訊息給 Claude，AI 實際讀到的內容遠不只那句話，還包括系統提示詞（產品開發者預先寫好的角色與規則說明）、CLAUDE.md（使用者放在專案裡的說明檔）、Skills（技能檔，等於預先打包好的工作指南）等一整套背景資料。

而如何組裝這些背景資料，業界稱為「context engineering」（上下文工程），Shihipar 直言，它對你能拿到什麼品質的產出，影響很大。

為什麼規則越多，AI 反而變笨？

Shihipar 給的診斷很直接：問題不在規則寫得不好，而在「過度約束」（overconstraining）。

Anthropic 回頭翻閱內部員工使用 Claude Code 的紀錄，發現同一個請求裡經常塞著互相打架的指令：這頭寫著「留下適當的文件說明」，那頭寫著「不准加註解」，系統提示詞、Skills 與使用者的當下要求彼此衝突。模型通常猜得出使用者真正的意圖，但它必須耗費更多推理，去處理這些重疊或衝突的指令。

這些嚴格規矩其實是歷史包袱。早期模型判斷力不足，Anthropic 必須用強硬措辭防止 AI 闖禍，例如舊版系統提示詞有這麼一條：「預設不寫註解。絕不寫多段的說明區塊，最多一行短註解。」 但這條規則注定在某些情境是錯的：有些複雜程式碼就是需要大段註解，有些使用者就是偏好完整文件。

如果是舊模型只能接受這種取捨；但新一代模型的判斷力已經夠好，因此新版系統提示詞只剩一句：「寫出讀起來與周圍程式碼一致的程式碼：跟上它的註解密度、命名與慣用寫法。」

換句話說，Anthropic 對待 AI 的方式，正在從「防呆」轉向「授權」。

官方點名的舊迷思，收斂成 4 條新守則

Shihipar 在文中列出六組「以前這樣教、現在別再做」的對照，《數位時代》以下整併為 4 條可直接套用的新守則。

第 1 條：別立死規矩，留判斷空間

檢查你的 CLAUDE.md 或常用提示詞，把「絕對不要」「一律禁止」這類措辭挑出來，問自己：這條規則有沒有例外？如果有，改成描述原則而非下命令。前述的註解規則就是官方示範，從「絕不寫多段註解」改成「跟隨周圍程式碼的風格」，把判斷權還給模型。

第 2 條：與其堆範例，先設計好介面

過去工具說明的第一鐵則是「附上使用範例」，Anthropic 卻發現，對 Claude 5 世代模型而言，大量範例反而會把它鎖在單一路徑，限制它探索更好的做法。

Anthropic 的新建議是把力氣優先花在「介面設計」：讓工具的參數名稱、選項本身就清楚、有表達力，足以說明用法。官方以自家的待辦清單工具為例，狀態欄位只開放「待處理、進行中、已完成」三個選項，再補一句「同時間只保留一項進行中」，不必額外舉例，模型就能抓到用法。

但這不等於範例從此無用：範例輸出、格式參照與特殊案例的示範仍有用途，Claude Code 的 Skills 官方文件也仍建議可在技能的輔助檔案中，放置示範預期格式的範例輸出。

第 3 條：別全塞在前面，讓 AI 需要時再讀

一個常見迷思是把 CLAUDE.md 當成百科全書，所有可能用到的守則都寫進去，深怕 AI 找不到。官方的新做法叫「漸進式揭露」（progressive disclosure）：把資訊拆成一棵檔案樹，需要時才載入。

Anthropic 自己就把程式碼審查、驗證流程從系統提示詞拆出來，變成獨立的 Skills，用到才呼叫；部分工具甚至採「延遲載入」，模型得先主動搜尋，才能取得完整定義。你的驗證步驟如果有好幾條，也可以拆成一個獨立技能檔，CLAUDE.md 只留一行指路。

第 4 條：規格不必只靠文字，可加入高保真參照物

過去的慣用做法，是把計畫與規格寫成簡單的 Markdown 文件；這種寫法仍然可行，但新模型已能消化複雜得多的參照材料，不必只依靠文字規格。一份規格可以是一套完整的測試碼、另一個專案裡現成的函式，甚至是一個 HTML 網頁原型。

官方的經驗是，一個 HTML 排版原型的效果，通常好過一段文字描述或一張截圖。你甚至可以把自己的品味寫成評分準則（rubric），例如「一份好的 API 設計長什麼樣」，讓模型拿著這份準則生出驗證代理，自我把關。白話說，與其用文字描述你要什麼，不如直接丟一個「長這樣」的實物給它看。

最後附上 Shihipar 原文六組對照的完整清單，方便你逐項檢視手上的設定：

構面	舊做法（Then）	新做法（Now）
行為約束	給 Claude 立規矩	讓模型用判斷力
工具示範	給 Claude 大量範例	設計清楚、有表達力的工具介面
資訊載入	把資訊全塞在最前面	漸進式揭露，需要時才載入
指令強調	重要指令重複講	指令只寫在工具描述，講一次就好
記憶維護	用 `CLAUDE.md` 手動存記憶	自動記憶分擔手動保存
規格描述	規格寫成簡單文字檔	提供高保真參照物：測試碼、HTML 原型、Rubric

你的 CLAUDE.md 和 Skills，可以這樣改

回到多數使用者最關心的兩個檔案，這些建議可以整理成三個動作。

動作一：CLAUDE.md 大瘦身**

用一小段講清楚這個專案是做什麼的，把主要篇幅留給模型無法直接從專案看出的東西：特殊慣例、限制與常見陷阱。

因此，需要每個工作階段都遵守的持續性規則，像建置與測試指令、程式規範、專案架構、命名慣例與工作流程，依 Claude Code 記憶功能文件的定位，仍然屬於這裡；但凡是 AI 自己翻專案就能發現的事，一律刪掉。

官方文件也給出具體門檻：指令要具體、簡潔、彼此不矛盾，每份 CLAUDE.md 以 200 行以內為目標。

另外，你不必再把所有臨時偏好與工作心得手動塞進 CLAUDE.md：Claude Code 的自動記憶功能（2.1.59 版以上，預設開啟、可關閉）會讓 Claude 從除錯經驗、被糾正的偏好中自行累積筆記。兩者是互補而非取代，需要穩定約束模型行為的專案規則，仍應寫在 CLAUDE.md。

動作二：Skills 寫觀點，不寫百科

官方對 Skills 的定位是「輕量的指南」，幫模型在需要時找到資訊；除了少數高度重要的領域，避免寫成綁死的操作規範。

最有價值的 Skills，是把你個人、團隊或產品獨有的觀點、知識與最佳實務編寫進去。太長的技能檔一樣適用漸進式揭露，拆成多個檔案、分層載入。

動作三：用 /doctor 自動體檢

如果不知道從哪裡下手，可以先在 Claude Code 輸入 /doctor 指令。依官方文件說明，它會檢查安裝健康度、設定檔是否有效、有沒有閒置的擴充，並找出 CLAUDE.md 裡模型可自行從程式碼庫推導的內容，提出修剪建議，經你確認後才套。

Shihipar 也在部落格中建議用它評估 Skills 與 CLAUDE.md 是否需要「調整到合身」。它給的是診斷與建議，最終怎麼改，仍由你決定。

這些新守則，同樣有保鮮期

有兩點注意事項要先說：

第一，這套新守則的前提是「Claude 5 世代的新模型」。Shihipar 明講，舊模型少了這些護欄，寫出來的註解在很多情境會出錯；如果你或團隊還在用較舊的模型，貿然刪光規則，等於拆掉當初防止翻車的護欄。

第二，「讓模型自己判斷」不等於什麼都不用寫，官方自己也為「高度重要領域」保留了嚴格約束的空間；哪些領域重要到不能交給判斷力，仍然需要人來決定。

這篇文章更深一層的訊息或許是：**提示詞技巧的折舊速度，本身就是新常態。**過去一年的最佳實務，如今成了官方點名的迷思；這批新守則，也可能在下一代模型登場時失效。

而與模型能力一起演進的，不只是 AI 能做的事，還有人跟 AI 說話的方式：它越來越不像寫程式，更像帶一位能力很強的新同事。先講清楚目標，再交出判斷權；先給看得懂的實物，再談抽象規則；先把手冊瘦身，再讓他自己翻資料。

延伸閱讀：新光三越正式接手北車商場！百貨龍頭「2年8個月改造術」揭曉前，先解3大難題

資料來源：Anthropic 官方部落格、Anthropic 工程團隊文章、Claude Code 記憶功能文件、Claude Code Skills 文件、Claude Code 組態診斷文件

本文初稿為AI編撰，整理．編輯/ 李先泰

AI 正快速改變消費者探索商品、接觸品牌的方式，也為零售業帶來新的成長機會。然而，當 AI 從個人使用工具逐步走向企業營運，台灣零售業的轉型腳步仍有落差。財團法人人工智慧科技基金會《2026 台灣產業 AI 化大調查》顯示，台灣零售業的 AI 應用仍存在明顯差距，資源有限的中小企業尤其面臨挑戰。對照全球已有 62% 的企業開始布局 AI Agent、近五成運用 AI 投入高價值決策，如何將 AI 從單點工具導入，真正成為零售成長的助力，已成為品牌必須面對的課題。

全方位零售整合專家 SHOPLINE 於 9 月舉辦「AI-Verse Day 2026」年度大會，以「Where AI Meets Commerce」為主軸，邀集零售與科技業者，從流量獲取、數據應用到會員經營，探討 AI 落地零售場景的實戰路徑。服務全球累計逾 70 萬品牌的 SHOPLINE，也在會中宣布邁向 AI in Retail，推出官方 MCP（Model Context Protocol），進一步串聯零售數據與 AI 應用，協助品牌掌握新興 AI 流量入口，為下一階段的智慧零售布局做好準備。

SHOPLINE 預告：零售下一個流量入口是 AI

2026 年上半年，SHOPLINE 客戶 GMV 年增 20%，是電商大盤成長率的 2.5 倍。「這代表我們與品牌客戶一起把生意做大！」SHOPLINE 台灣總經理葉力維指出，從全球市場來看，尤其是以北美為主的 SHOPLINE 客戶，來自 AI 渠道的流量 PV 較去年同期成長 15 倍，訂單量更成長 35 倍；相較之下，台灣 AI 渠道流量 PV 約成長 2 倍，顯示 AI 導流的商業潛力正逐步浮現，台灣品牌仍有很大的成長空間。

當品牌越做越複雜，從多通路走向全域經營、數據與規模擴大，如何確保資料品質、打通資訊孤島，並兼顧資安與治理，成為 AI 能否真正落地的關鍵。為此，SHOPLINE 提出四大 AI 佈局方向：首先，建立 AI Ready 數據基礎，整合分散的零售資訊，為 AI 應用做好準備；其次，深化 MCP 布局，讓品牌能依照自身需求，自主選擇並串接不同的 AI Agent；第三，成立 AI 轉型委員會，將 AI 導入內部工作流程，推動服務模式從執行任務進一步升級為洞察客戶需求、提供策略建議；最後，擴大 AI 夥伴生態系，開放第三方開發者串接垂直領域的 AI 應用，讓品牌能更靈活地組合所需工具。

「過去十年，SHOPLINE 陪伴品牌走過每一次通路變革。每一次流量入口的改變，其實都代表著品牌經營方式的改變；而下一個入口，就是 AI。」葉力維表示，當 AI 開始影響消費者探索商品、發現品牌與完成購買的路徑，品牌不能只停留在導入單一工具，更需要提前整備數據、串接應用並建立治理能力。接下來，能否做好 AI Ready 的準備，將成為零售品牌掌握下一波成長機會的關鍵。

SHOPLINE 推官方 MCP，助攻品牌落實 Agent Ready

品牌該如何做好 AI Ready 的準備？SHOPLINE 產品副總賴哲文指出：「人、貨、場的接觸點沒有改變，改變的是誰做決定、誰做執行、誰做判斷。」

當 AI 逐步介入零售場景，消費者、員工與企業的角色也隨之改變：做決定的是消費者，當消費者問 AI「我該買哪個品牌」，品牌能否出現在答案裡是第一個挑戰；執行的是員工，員工則可將部分執行工作交由 AI 處理，將更多精力投入判斷與決策；做判斷的是企業，AI 能否提供可靠的洞察與建議，關鍵仍在於數據品質，以及能否有效運用既有數據資產。

要讓品牌被 AI 理解與推薦，品牌經營也必須從傳統 SEO，進一步走向 AIEO（AI Engine Optimization），讓商品與品牌資訊具備良好的結構與可讀性，才能提高被 AI 採用、推薦及導流的機會。對此，SHOPLINE 提出三層 AI Ready 架構：以「AI Ready Data」整合高品質、可供運算的零售數據；透過「AI Ready Commerce」讓商品資訊與交易流程能被 AI 理解和銜接；再以「AI Ready Agents」串接品牌自主選擇的 AI Agent，逐步將數據基礎延伸至實際應用。同時，SHOPLINE 也透過第一方數據歸因，改善消費者身分碎片化、數據時效性不足與成效歸因不清等問題，讓原始數據能進一步支援 AI 分析與決策。

在工具應用上，SHOPLINE 推出官方 MCP，涵蓋流量轉換、數據分析、商品管理與會員經營等場景。品牌可在 Claude 中透過輸入零售 skills，搭配 MCP Tool 的後台相關能力，進一步產出數據洞察報表與執行建議，讓 AI 從資訊整理延伸至實際的零售工作流程。為兼顧應用效率與資料安全，SHOPLINE 也設下三道防護機制，包括涉及資料寫入時須經人工核准、個人資料須取得授權才能存取，以及依照角色與需求進行權限分級。

「Agent Ready 就是入場券。」賴哲文強調，當 AI Agent 開始參與消費者決策與企業營運，品牌不只要讓 AI 看得懂商品，更要讓數據能被安全地運用、讓不同工具能順利協作。

除了產品之外，SHOPLINE 也致力發展 AI 開放生態圈，邀請各領域夥伴分享引流、口碑、營運與顧客經營的應用方向。此次大會邀請數聚國際、Tagnology、BUNNYWORK、beBit TECH 微拓科技，以及女性高效身體保養品牌 HYPHY，攜手展示 AI 如何串聯流量獲取、行銷轉換到顧客經營等零售場景。

Justar 運用真實發票數據，提升廣告投放效率

廣告投放端同樣面臨轉變。「市場愈來愈大，轉換效益卻愈來愈低。」紅門互動及Justar 數聚國際執行長張元溢分析，投放效率下滑，源於成長結構改變：影響消費者的場域更分散，找人的方式從興趣推測走向真實行為，素材也無法一套打完全場。

對此，Justar 運用 AI 結合電子發票數據，以 AI 廣告投放平台結合全台規模領先的雲端發票消費資料庫，涵蓋超過 20 億筆雲端發票、700 萬名消費者及 3,200 萬項商品。其「AI 廣告受眾推薦引擎」可依商品特性生成受眾輪廓（Persona），比對發票資料庫、找出真實買家作為種子受眾，而非僅依賴瀏覽紀錄或興趣標籤，再由 AI 自動擴充相似受眾、生成並優化素材，並依成效動態調整投放策略與預算配置。

張元溢強調，從真實種子到規模化放大，重點在於找到更多相似的人。同時觸及也須走出社群，延伸至 RMN 聯播網、社區 App 廣告與戶外媒體。他以「三人成虎」形容，藉創作者短影音加上跨場域廣告加深印象，才能為品牌實現「線上找到人，線下讓他記住你」的成效。

BUNNYWORK 推 AI 營運特助，主動預警缺貨與滯銷也發掘成長機會

除了行銷之外，AI 也開始深入零售業的日常營運，協助品牌從事後處理走向事前預測。BUNNYWORK 創辦人周于如指出，電商營運常面臨幾大痛點：商品售罄後客戶問了才發現缺貨、補貨數量仰賴 Excel 與個人經驗判斷，滯銷商品也往往要到季末才浮現。「營運方式不同，留下的利潤差很多。營收決定你做多大，營運才決定你能留下多少利潤。」

針對這些痛點，BUNNYWORK 推出定位為「會思考的電商 AI 特助」的解決方案，目標是讓電商營運進入「自動駕駛」。傳統 ERP 只負責被動紀錄營運數據，BUNNYWORK 則讓 AI 24 小時主動盯盤：根據銷售數據提前發出缺貨預警、產出補貨建議單，並每日掃描商品銷售速度，一旦偵測到滯銷風險，即透過 LINE 推播提醒品牌及早規劃促銷、加速庫存去化與資金回流。除了提前規避風險外，AI 也幫助電商看見潛在機會：偵測到爆款潛力的商品，提醒品牌提早加碼備貨、調整廣告資源，把握成長時機。

至於 AI 為什麼能提供可靠的營運建議？背後仍取決於數據基礎。周于如解釋，ERP 串聯商品、銷售與庫存等不同環節的數據，並即時同步多通路的商品與庫存資訊，讓 AI 掌握完整且即時的營運全貌，同時降低超賣風險。「唯有建立乾淨、即時的資料基礎，AI 才能進一步辨識缺貨與滯銷風險、並發掘銷售成長機會，協助品牌提前應對、做出更精準的決策。」目前品牌平均約 7 天即可完成導入。

精兵團隊導入 AI，解決流程瓶頸再創高成長

從流量獲取到營運效率，AI 的價值最終仍須回到顧客經營與商業成效。大會壓軸的高峰沙龍回到會員經營。beBit TECH 商務長譚學凱指出，OmniSegment CDP（顧客數據平台）能整合分散的顧客資料，建立 360 度顧客輪廓，進一步支援跨渠道的精準經營；旗下導購型 AI Agent「AgentBit」，提供對話式分眾，讓使用者與 AI 對話就能快速打包推播受眾，不再需要手動設定篩選條件；商品興趣預測則以 AI 學習客戶的行為軌跡，自動將高相關商品推送給高潛力買家；AI 智慧分析更只需透過問答，即時分析品牌檔期成效與提供優化建議，並能一鍵調整現有顧客旅程。透過 CDP 與 AI 功能加乘，大幅提升行銷團隊協作效率，並支援逾 2,000 種 OMO 跨通路智慧推播，協助品牌更有效地觸及目標客群。

HYPHY 品牌共同創辦人林又立分享，品牌長期透過 LINE 經營千人會員社群，希望在規模化經營的同時，仍保有一對一對談的親切感與即時回覆的能力。導入 AgentBit 後，團隊能透過 AI 對話快速完成受眾分群，並取得具體的行銷優化建議，降低操作門檻。以單檔活動為例，LINE 發送量僅為原先的 15%，點擊率卻提升 227%，EDM ROAS 更提升至原先的 3.3 倍，展現 AI 協助品牌提升溝通效率與行銷效益的潛力。

對於資源有限、希望嘗試 AI 的品牌，林又立也分享了務實的做法：「不要一開始練跑就想著今天要跑全馬，先踏出第一步，把目標定在到達下一個電線桿就夠了。」與其一開始就追求全面轉型，不如從具體的營運需求出發，逐步找到適合 AI 發揮的場景。

活動尾聲，葉力維也提醒，品牌導入 AI 前，應先盤點內部工作流程，找出真正影響效率與成效的瓶頸，再思考如何運用 AI 改善。「那就是你最該導入 AI 的地方。把 AI 放在流程上，才是關鍵。」與其為了導入 AI 而導入 AI，先解決實際問題，才能讓技術真正轉化為營運成果。

別再給AI寫範例！Anthropic揭Claude 5世代新規，CLAUDE.md與Skills怎麼寫才聰明？