实测：Skill文件超过6KB，模型输出失败率翻倍

给编码 Agent 写 skill 文件（无论叫 SKILL.md、AGENTS.md 还是 rules）有一个很少有人讨论的上限：6KB。这是一个团队跑了 28 次实验后得出的结论，本文拆解它的数据、机制和边界。

事故的起点：一个“不算 bug”的文件

实验的灵感来自一次意外。在一项不相关的测试中，一个由模型一次性生成的 9,211 字节 skill 文件，让较弱的模型在测试驱动里连续六次返回空响应。团队把输出预算提高到 16,000 tokens 再跑，两次里仍有一次为空。

文件本身没有 bug，它只是太长了。模型把输出预算全部花在“思考这份指令”上，真正用于回答的额度被挤没了。六连空不是小概率事件，而是一份自然膨胀文件在 50% 失败率下的正常表现。

为了让结论可复现，团队做了这次定量实验：固定任务、固定系统提示、固定 max_tokens = 16,000、不对空输出重试，唯一变量是 skill 文件大小。

实验设计：只改变一个变量

任务是从发票批次中提取信息，skill 文件里埋了三条私有约定：价格以美分为单位需换算成美元、6% 的通道费、一条免税行项目单独列出。评分用确定性正则匹配这三条约定，不引入裁判模型。

做法是从一个 2,761 字节的精简版出发，用 54 个真实冗余块（重复章节、重述规则、模型自己常写的仪式化样板话）把它逐步填充到不同目标大小，共 7 个尺寸点，每点重复 4 次，合计 28 次执行。实验前先写下证伪条件：如果空输出率和 token 消耗不随文件增大而上升，那么 9.2KB 事故只是一次巧合。

单位说明值得单独讲。用字节计量是因为编辑器里看到的就是字节数；英文大约每 token 4 个字符，所以 6KB 约等于 1,500 tokens 的指令文本。文件作为输入进入提示，但它会抬高输出侧的思考量，而这部分思考量正是撞上 16,000 上限的东西。输入侧也不免费：Agent 循环每一轮都要重读整个对话，常驻的每一 KB 都在每次请求中重复计费。作者团队审计过一条生产流水线，工作量没变，日 token 消耗却从 1.1 亿涨到 5 亿以上，其中仅 skill 目录就在每条系统提示中悄悄占到了 161KB。

输出 token 上限（max_tokens）与思考链的关系：在支持推理的模型（如 DeepSeek^广告、Claude 的 extended thinking）中，模型返回的 token 流分为两部分——可见的回答和不可见的思考过程（chain-of-thought）。max_tokens 限制的是这两者的总和。当 skill 文件很长时，模型在生成回答前需要"消化"指令，思考部分的 token 消耗会显著上升；一旦思考链占满预算，模型就没有余量输出最终答案，API 返回空内容或截断。这解释了实验中"空输出"的本质：不是模型拒绝回答，而是预算在推理阶段就被耗尽。因此，文件大小通过影响思考量间接作用于输出成功率，而非直接决定正确性。

Agent 循环中的重复计费：与单轮问答不同，编码 Agent 通常以多轮循环方式工作——每一轮都要把完整对话历史（包括系统提示中的 skill 文件）重新发送给模型。这意味着 skill 文件的每一 KB 会在每次请求中被重复计费，且随着循环轮次增加，成本呈线性放大。实验中提到的"日 token 消耗从 1.1 亿涨到 5 亿"正是这一机制的结果：文件本身不大，但乘以每轮请求的次数后，常驻开销变得惊人。因此，精简 skill 文件不仅降低单次失败风险，也直接削减生产环境的持续成本。

数据说了什么

七个尺寸点的结果分成明显的两段。

• 2.8KB：空输出率 0%，平均输出 9,096 tokens，约定命中 4/4。
• 4.1KB：空输出率 0%，平均输出 7,913 tokens，约定命中 4/4。
• 6.1KB：空输出率 25%，平均输出 13,598 tokens，约定命中 3/4。
• 8.0KB：空输出率 25%，平均输出 11,769 tokens，约定命中 2/4。
• 9.5KB：空输出率 25%，平均输出 15,469 tokens，约定命中 3/4。
• 11.2KB：空输出率 0%，平均输出 9,927 tokens，约定命中 4/4。
• 自然膨胀的 9.2KB：空输出率 50%，平均输出 14,766 tokens，约定命中 2/4。

6KB 以下，消耗稳定在 8–9K tokens，离 16,000 的上限很远，八次执行没有一次空输出。6KB 以上，消耗被推到 12K–15.5K 的区间，四分之一的执行死在那里。9.5KB 那一点平均 15,469 tokens，几乎贴着上限，四次里两次只是因为思考链恰好更短才活下来。

这带来一个反直觉的细节：会不会崩溃，取决于推理长度的方差，而不是你能控制的东西。

五条比“越大越糟”更精确的规则

规则一：6KB 以下是安全区。 2.8KB 和 4.1KB 共八次执行，零空输出，消耗远离上限。

规则二：6KB 以上进入风险区。 失效不是文件大小的单调函数，而是“消耗贴近输出上限的程度”的函数。贴近上限时，存活靠运气。

规则三：11.2KB 那一点打破了单调性。 它零空输出，消耗回落到 9,927，而且包含全部 54 个冗余块，其中包括自然文件自带的结构化章节。团队的工作假设是：有组织的内容能部分抵消纯粹的体积。这一点尚未验证，保留它是为了避免删掉反例、把结论说得比数据更漂亮。

规则四：自然膨胀是最毒的一种。 同样的尺寸级别，自然膨胀的 9.2KB 文件失败率 50%，人工填充的 9.5KB 只有 25%。重复和啰嗦比字节数伤害更大。这也反过来解释了最初的事故。

规则五：体积杀死的是产出，不是正确性。 只要模型真的产出了结果，各尺寸点的约定命中率都接近满分。长文件首先回答的问题不是“模型会不会遵循它”，而是“模型会不会开口”。

悬崖效应与方差依赖：实验中 6KB 以上空输出率并非随文件大小线性上升，而是呈现"悬崖式"跳变——消耗一旦接近 max_tokens 上限，模型是否崩溃取决于思考链长度的随机波动。具体来说，同一文件在不同执行中，模型生成的推理步骤数可能略有差异；当某次推理恰好较短时，剩余预算足以输出答案，执行成功；反之则空输出。这解释了为何 9.5KB 尺寸点四次中有两次存活：不是文件"有时安全"，而是推理长度的方差决定了哪次撞线。因此，6KB 阈值本质上是"为思考链留出足够余量"的经验边界，而非文件大小的物理极限。

落地到自己的 skill 文件

团队目前对自己维护的 skill 文件、AGENTS.md 和长系统提示执行三条规则：

把 6KB 当作预算上限。 不是风格建议，而是可执行区间。他们的生成流水线把 6–9KB 视为风险区（观测到 25% 失败），9KB 以上视为高风险，审计步骤会拦下越线的文件。

先删重复，再删内容。 自然膨胀文件的问题不是说得太多，而是把每件事说了两遍。去重带来的安全收益，比删减规则更大。

模型越弱，预算越紧。 实验用 DeepSeek V4.1-Flash 作为执行模型，而弱模型恰恰是悬崖效应最明显的地方：强模型燃烧预算更从容，同一个文件可能伤一个模型而不伤另一个。

诊断工具则简单得过分：wc -c 就够了。

边界与尚未验证的部分

这项测量有明确的适用范围：单一任务（发票提取）、单一模型家族、每个尺寸点 4 次重复，所以“25%”的 95% 置信区间很宽，算法填充也不完全等同于手写膨胀。11.2KB 的反例还需要一个直接测试：固定字节数，只改变结构，比较有组织的填充与啰嗦的填充。

整轮梯度实验的 API 费用是 2.55 元人民币，约 0.36 美元。作者的建议是：先复现，再下结论。把它当作一个有明确机制的测量起点，而不是放之四海皆准的常数。但“模型什么也没返回，是因为它把全部预算花在读你的指令上”这个失效模式，值得今天就用你手里现有的文件检查一遍。

背后的工具 Skill Forge 已开源，以 MCP 服务器、提示包和可安装 skill 三种形态发布。