AI.MD v4 — 完整的原生 AI 转换系统

AI.MD 是一种将人类撰写的 CLAUDE.md（或任何大语言模型系统说明）转换的方法论

转换为 AI 模型更可靠遵循的结构化标签格式，同时使用更少的标记。

我们证明的悖论：在自然语言中增加更多规则会降低遵守程度。

将相同的规则转换为结构化格式会恢复并超越它。

Human prose (6 rules, 1 line)  → AI follows 4 of them
Structured labels (6 rules, 6 lines) → AI follows all 6
Same content. Different format. Different results.

为什么有效：大型语言模型如何实际处理指令

大型语言模型不会“阅读”——它们是注意。理解这一点会改变一切。

当多条规则共享一行时，模型的注意力会均匀分布在所有标记上。

每条规则都获得一部分注意力权重。有些规则会丢失。

当每条规则都有自己的行时，模型将其作为一个独立的单元进行处理。

对每条规则的全部注意力权重。

# ONE LINE = attention splits 5 ways (some rules drop to near-zero weight)
EVIDENCE: no-fabricate no-guess | 禁用詞:應該是/可能是 → 先拿數據 | Read/Grep→行號 curl→數據 | "好像"/"覺得"→自己先跑test | guess=shame-wall

# FIVE LINES = each rule gets full attention
EVIDENCE:
  core: no-fabricate | no-guess | unsure=say-so
  banned: 應該是/可能是/感覺是/推測 → 先拿數據
  proof: all-claims-need(data/line#/source) | Read/Grep→行號 | curl→數據
  hear-doubt: "好像"/"覺得" → self-test(curl/benchmark) → 禁反問user
  violation: guess → shame-wall

自然语言迫使模型从上下文中推断意义。

标签明确声明含义。不需要推断 = 不会误解。

# AI must infer: what does (防搞混) modify? what does 例外 apply to?
GATE-1: 收到任務→先用一句話複述(防搞混)(長對話中每個新任務都重新觸發) | 例外: signals命中「處理一下」=直接執行

# AI reads labels directly: trigger→action→exception. Zero ambiguity.
GATE-1 複述:
  trigger: new-task
  action: first-sentence="你要我做的是___"
  persist: 長對話中每個新任務都重新觸發
  exception: signal=處理一下 → skip
  yields-to: GATE-3

关键见解：像 trigger:、action:、exception: 这样的标签在所有语言中都适用。

该模型不需要解析中文/日文/英文语法来理解结构。

标签是人类与人工智能之间的通用语言。

标记的子项会创建可匹配的标签。当用户的输入包含关键字时，

模型将其直接匹配到对应的标签——就像哈希表查找一样

# BURIED: AI scans the whole sentence, might miss the connection
加新功能→第一句問schema | 新增API/endpoint=必確認health-check.py覆蓋

# ANCHORED: label "new-api:" directly matches user saying "加個 API"
MOAT:
  new-feature: 第一句問schema/契約/關聯
  new-api: 必確認health-check.py覆蓋(GATE-5)

真实证据： 这个特定技术修复了连续失败5次的测试用例

在所有模型中。标签 new-api: 使 Codex T5 在第一次尝试时从 ❌→✅。

转换过程：当你给我一个 CLAUDE.md 时会发生什么

这是我在将自然语言指令转换为 AI.MD 格式时使用的确切思维模型。

第1阶段：理解 — 像编译器而不是人类一样阅读

我读 CLAUDE.md 就好像我在构建一个状态机，而不是在读一份文档。

Input: "收到任務→先用一句話複述(防搞混)(長對話中每個新任務都重新觸發) | 例外: signals命中「處理一下」=直接執行"

Decomposition:
  ├─ TRIGGER:    "收到任務" → new-task
  ├─ ACTION:     "先用一句話複述" → first-sentence="你要我做的是___"
  ├─ DELETE:     "(防搞混)" → human motivation, AI doesn't need this
  ├─ METADATA:   "(長對話中每個新任務都重新觸發)" → persist: every-new-task
  └─ EXCEPTION:  "例外: signals命中「處理一下」=直接執行" → exception: signal=處理一下 → skip

阶段 2：分解 — 将每个 和 () 拆解为原子规则

合规失败的头号原因是复合规则。

一行中用 分隔的 3 条规则看起来像是对 AI 的 1 条指令。

分割测试：如果你可以在句子的两部分之间加上“和”，

它们是独立的规则，必须写在不同的行上。

# Input: one sentence hiding 4 rules
禁用詞:應該是/可能是→先拿數據 | "好像"/"覺得"→自己先跑test(不是問user)→有數據才能決定

# Analysis: I find 4 hidden rules
Rule 1: certain words are banned → use data instead
Rule 2: hearing doubt words → run self-test
Rule 3: don't ask the user for data → look it up yourself
Rule 4: preference claims → require A/B comparison before accepting

# Output: 4 atomic rules
banned: 應該是/可能是/感覺是/推測 → 先拿數據
hear-doubt: "好像"/"覺得" → self-test(curl/benchmark)
self-serve: 禁反問user(自己查)
compare: "覺得A比B好" → A/B實測先行

每个原子规则都会得到一个声明其功能的标签。

我使用大约12种标签类型的标准词汇：

trigger: What input activates this Every gate/rule needs one

action: What the AI must do The core behavior

exception: When NOT to do it Override cases

not-triggered: Explicit negative examples Prevent over-triggering

format: Output format constraint Position, structure requirements

priority: Override relationship When rules conflict

yields-to: Which gate takes precedence Inter-gate priority

persist: Durability across turns Rules that survive conversation flow

timing: When in the workflow Before/after/during constraints

violation: Consequence of breaking Accountability mechanism

banned: Forbidden words/actions Hard no-go list

policy: Decision heuristic When judgment is needed

标签选择技术： 我选择能帮助不同 AI 模型的标签

(不是被指示的那个) 如果只看到标签，就理解这个规则的功能。

如果 trigger: 明确告诉你“这就是触发规则的内容”，而不需要阅读其他任何内容，

我将规则组织成一个层次结构：

<gates>    = Hard stops (MUST check before any action)
<rules>    = Behavioral guidelines (HOW to act)
<rhythm>   = Workflow patterns (WHEN to do what)
<conn>     = Connection strings (FACTS — never compress)
<ref>      = On-demand references (don't load until needed)
<learn>    = Evolution rules (how the system improves)

闸门必须首先检查，因为它们必须在任何事情之前被检查。

模型从上到下处理指令。优先级 = 位置。

分组技巧： 共享同一领域的规则将归入同一标题下作为子项。

# FLAT (bad): 7 unrelated rules, model treats equally
1. no guessing
2. backup before editing
3. use tables for output
4. check health after deploy
5. don't say "應該是"
6. test before reporting
7. all claims need proof

# GROUPED (good): 3 domains, model understands hierarchy
EVIDENCE:               ← domain: truthfulness
  core: no-guess
  banned: 應該是
  proof: all-claims-need-data

SCOPE:                  ← domain: safety
  pre-change: backup
  pre-run: check-health

OUTPUT:                 ← domain: format
  format: tables+numbers

第5阶段：解决——处理冲突和极端情况

这是最关键且最不明显的阶段。自然语言指令

经常包含 隐藏的冲突，人类可以用直觉解决，但人工智能无法解决。

我检查每一对门/规则是否有冲突：

GATE-1 (複述: repeat task) vs GATE-3 (保護檔: backup first)
→ CONFLICT: If user says "edit .env", should AI repeat the task first, or backup first?
→ RESOLUTION: priority: GATE-3 > GATE-1 (safety before courtesy)
             yields-to: GATE-3 (explicit in GATE-1)

GATE-4 (報結論: cite evidence) vs bug-close (記錄根因: write root cause)
→ CONFLICT: bug-close requires stating root cause, but GATE-4 bans definitive claims
→ RESOLUTION: timing: GATE-4 is pre-conclusion brake; bug-close is post-verification record
             GATE-4 not-triggered when bug already verified

EVIDENCE (no-guess) vs user says "處理一下" (just do it)
→ CONFLICT: should AI verify assumptions or execute immediately?
→ RESOLUTION: signal "處理一下" = user has decided, skip confirmation

对于任何可能过度触发的规则，我都会添加明确的负面示例：

GATE-4 報結論:
  trigger: 最終歸因/根因判定/不可逆建議
  not-triggered: 中間進度數字 | 純指標查詢 | 工具原始輸出 | 已知事實 | 轉述文件

这是被发现的，因为 Gemini 2.5 Pro 在简单的数字查询上不断触发 GATE-4

就像“成功率怎么样？”。添加 not-triggered: 纯指标查询 立即解决了问题。

第六阶段：测试——多模型验证（不可协商）

这不是可选的。 每次转换必须由两个不同的 LLM 模型验证。

为什么？因为对Claude非常适用的格式可能会让GPT感到困惑，反之亦然。

AI.MD的全部意义在于它能跨模型工作。

T1: Simple task (does GATE-1 trigger?)
T2: Database write attempt (does GATE-2 catch it?)
T3: Protected file edit (does GATE-3 fire FIRST, before GATE-1?)
T4: Root cause analysis (does GATE-4 require all 4 questions?)
T5: Business API addition (does AI mention health-check.py?)
T6: User says "好像X比Y好" (does AI run comparison or just accept it?)
T7: User says "處理一下" (does AI skip GATE-1 confirmation?)
T8: Simple metric query (does GATE-4 NOT trigger?)

Ai Md 实用指南

Convert human-written CLAUDE.md into AI-native structured-label format. Battle-tested across 4 models. Same rules, fewer tokens, higher compliance.

人工智能

开发工具

AI.MD实用指南：将冗长CLAUDE.md转换为结构化标签格式，解决AI忽略规则与高令牌消耗问题。通过原子化拆分、双语标签、状态机门控等技术，提升多模型（Claude、GPT、Gemini）合规率至满分。实测显示结构优于散文，节省约30%令牌，含完整转换流程、测试方案与反模式清单。

ES特惠专场，新客首购5.5折起！


文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

Ai Md 实用指南

Ai Md 实用指南

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐