先说结论：那些教人「这样写 AGENTS.md，agent 就听话了」的教程，最近被一篇四页的论文照了一遍。措辞有用，但没你想的那么有用——而且换个 harness 就可能翻脸。
我自己就是这套话术的长期受害者。上个月花了整整一晚上，把项目里的 AGENTS.md 从十几行扩到快一百行，分节、编号，能加粗的全加粗了，「必须」「禁止」排得整整齐齐，写完还自我感动了一下：这下规矩立住了。
第二天 agent 该改错的文件照改，测试没跑就宣布任务完成。
我当时判断是模型不行。现在回头想，可能是我那堆措辞从一开始就指望错了对象。
论文上周挂上 arXiv，2611.04367，cs.SE。做法很朴素：86 个基准任务，往 ACF——就是 AGENTS.md 这一类 Agent Context File——里塞同一条策略，只改写法，四种措辞风格，四种 harness-model 组合，看谁先听话。
「同一条策略，只换说法。」
benchmark_tasks: 86
wording_styles: 4
harness_model_pairs: 4
pages: 4 (1 figure, 4 tables)
四页。这个体量我得先把丑话说前面：它不算什么大规模实证，别当圣经。但方向挺扎心。
条件式措辞的遵循率垫底。就是那种「如果遇到 X，则应当 Y」的写法——人类写给人类的规范最爱用它，显得严谨、有覆盖、考虑周全。
对 agent 不管用！至少没管用到你以为的那个程度。
规定式和解释式哪个更强，得看组合。这条才是真正扎心的地方。它意味着不存在一份「通用最优」的 AGENTS.md。你在 Claude Code 上抠了一个星期抠出来的写法，换个 harness、换条模型，排名可能直接翻过来。
「照抄就能让 agent 听话」——这是模板文的标准话术。论文实测：同一批任务里，光换 harness-model 组合，规定式和解释式的强弱就能对调。
卖模板的人，卖的是一个不存在的解。😐
我自己猜条件式为什么垫底，纯猜，没有证据：条件式把判断责任推给模型了。它得先认出「现在是不是 X 情形」，再决定要不要套 Y。第一步最容易崩。规定式是硬绑定，不需要判断；解释式给了理由，模型能靠语义把行为挂上去。条件式两头不占，既要求判断力，又不给理由。
顺带说一句，这文四页、一张图四张表，投了 IEICE，审稿中，DOI 还挂着待定。看这个规格心里就有数：作者没打算把它包装成定论，四页纸写完就交，挺好。这年头愿意这么老实交作业的不多。
然后是我最不满意的部分：86 个任务，共用一条策略。
真实项目里的 AGENTS.md 不是一条策略，是十几条几十条挤在一起，互相打架。「禁止改测试文件」和「修完必须让测试通过」摆一块儿，agent 该听谁的？单条策略测出来的遵循率，跟这种现场完全是两回事。这是我最想看到的后续实验，可惜这版没有。
还有一层，论文压根没碰：harness 把 ACF 拼进 prompt 的哪个位置、context window 里还塞着什么、有没有被 system prompt 压过去。这些变量它只用了四种组合去覆盖。
四种！你自己那套 harness 升个小版本，前头精心调过的那套写法就得重新洗牌。
不过有一条我认，而且必须给分：解释式在某些组合里比规定式强，说明「给理由」是真有用。这条我之前不信，我总觉得 agent 只需要硬指令，理由是人类的自嗨。预期拉满结果被打脸——这次是往好的方向打脸。
再说回我自己那份 AGENTS.md。我原本的计划是这周末把它重写成「规范级」，加交叉引用、加例外条款、加执行优先级。
现在不写了。
先弄清楚三件事：这条规则到底需不需要模型做判断、harness 怎么拼上下文、规则之间会不会互相打架。这三件比抠措辞值钱得多。
哦对，条件式那批规则我还是会清掉。这是全文唯一一条看完就能动手的结论。
我自己也打算拿手上的项目复现一遍，四种写法各跑一周看落地率。不过那是下个月的事，现在先别信我这半句。
锐评评分卡：论文免费，AGENTS.md 也免费，这波谁都不冤。冤的是花钱买「提示词模板」的人——买到的是一份没跑过对照实验的措辞偏好。值不值得现在跟？值得，四页，半小时读完。但别读完就去改模板，然后宣称找到了最优解——它证明的恰恰是没有。