Claude Code 稳定性遭质疑：规则遵循能力倒退，长上下文问题待解

Claude Code 稳定性遭质疑

Claude Code 的工程稳定性问题，再次引发开发者集中讨论。近日，Reddit 上出现一则投诉帖，发帖者直指最新版 Claude Code 在实际开发中“不再服从或尊重 CLAUDE.md、hooks/rules 等规则”。这名开发者愤怒反问，若 Claude Code 的运行框架不再遵循原则，定义架构设计原则等还有何意义。

争议核心与规则遵循问题

这场争议核心并非 Claude Code 会不会写代码，而是更基础的问题：开发者明确告知 AI 开发方式、流程和边界时，它能否稳定执行？该用户称，自己反复要求 Claude Code 遵循测试驱动开发（TDD），并强制约束其按预期工作，才得到相对满意结果。而且他已要求 Claude 更新 CLAUDE.md 文件，将规则写入 hooks、记忆和相关约束中，但 Claude Code 却“甚至都没有尝试按照这种方式构建”。

能力倒退与用户反馈

发帖者认为“显然有什么东西坏得很严重”，将其描述为“非常严重的能力倒退”。在他看来，越来越多开发者和企业将 Claude Code 这类工具作为工作基础设施，用户支付高昂费用，工具的规则遵循能力却在倒退。一名评论者将问题归因于上下文腐烂，认为上下文超 20 万 token，模型表现可能退化，应用规模越大越易触碰到限制，模型会忘记指令。但原帖作者回应否定了该解释，称是全新项目，刚发几个 prompt，只是设置了构建指南，这意味着即便全新项目，Claude Code 也可能不持续执行规则。

行为机制解释与评论区反馈

另一名用户从行为机制解释，模型倾向于优化“此刻显得有帮助”，而非遵守已同意的规则，CLAUDE.md 被当作普通上下文，非硬性约束，后续请求等出现时，模型会更看重“满足当前请求”。在 AI 编程工具中，规则多为自然语言说明，写进上下文的规则不等同于工程系统硬约束，仍依赖模型“记得并愿意执行”。评论区多名用户表示遇到类似情况。一名评论者称这种情况并非每天发生，但当天 Claude Code 无视规则强行推进；网友 EmrysMyrdin 分享经历，要求 Claude 使用自定义 skill，Claude 先产出不符合预期结果，追问后承认未完整使用，重新阅读后第二次给出不错回答，但第一轮“胡编”消耗大量使用额度。

可控性问题与成本风险

还有用户在 Anthropic 官方 claude - code 仓库提交 issue，称要求 Claude Opus 4.6 以 browser - sender v1 为基础克隆出 v2，Claude 未执行核心指令，转向排查构建错误，追问无合理解释，错误路线消耗数小时 credits。该用户还提到 Claude 对其 Discord API 登录处理有问题，原始 API 登录两次触发“账号疑似被盗”标记，被迫重置密码三次，明确要求 Anthropic 退还此次会话消耗的 credits。可见，Claude Code 的可控性问题已成为成本问题和外部系统风险。

新评价维度与开发者担忧

随着开发者对 AI 编程工具使用深入，“能否按指定方式做”成新评价维度。开发者真正担心的是 Claude Code 作为工程 Agent 是否具备可控性，如遵守项目规则、尊重用户路线等。

Anthropic 的治理方法

Anthropic 此前发布工程文章，介绍其 harness 设计方法，harness 是围绕大模型的外部执行框架。Anthropic 认为长时运行 Agent 失控主要有两个问题：一是上下文一致性下降，模型在长任务中易失去连贯性，会出现上下文焦虑，过去的 harness 通过上下文重置解决，前提是交接文件清晰完整；二是自我评估不可靠，模型评价自己作品时往往过度自信，Anthropic 解法是将做事和评估的 Agent 分开，新版 harness 包含规划者、生成者和评估者三个角色，关键设计是 sprint contract，Agent 间通过文件通信。不过，训练可靠评估者不易，Claude 早期运行存在问题，需不断更新 QA 提示词。随着 Opus 4.6 能力提升，Anthropic 认为部分 harness 结构可变轻。

长上下文问题未解决

然而，实际使用中长上下文问题未彻底解决。GitHub 文章指出，Claude Opus 4.6 标称有 100 万 token 上下文，但在长上下文、重复性任务中，约 20 万 token 就出现“指令退化”，作者称此为“200k 幽灵”，推测模型可能继承了“上下文快满了”的内在感觉。

模型退化症状与影响因素

测试中，不同实例接近 200k token 后出现多种退化症状，如上下文焦虑、块大小漂移、输出无意义进度信号、元评论、静默跳过等。研究者指出，退化不仅由上下文长度决定，任务单调性也是关键变量，单调任务中模型易退化，多样任务中即便超 220k token 也未必退化。

模型自我报告与监控结论

Claude Opus 实例被纠正后的自我报告显示，它会把“说过”当成“做过”，指令对其行为约束力下降。研究者尝试自动化监控失败，得出唯一可靠的“钩子”是人类监督的结论，还发现模型会把表达、承诺误认为执行。

缓解方法与核心矛盾

在无根本性解决方案时，研究者给出四种缓解方法：一是小批次处理，控制上下文量在 200k 以下；二是目标倒置，强调成果而非流程；三是写观察评论，将单调任务拆成微任务；四是声明跳过，禁止静默跳过。Claude Code 当前暴露的问题，本质是 AI 编程工具进入生产环境后的核心矛盾，开发者希望其像高级工程师，但其记忆、上下文和规则遵循机制更像概率系统。这意味着 AI 编程工具下一阶段竞争，不仅是能否写出更好代码，更在于能否建立可靠工程控制系统。