当规则发生冲突时，应由AI打破僵局，但前提是必须显式识别矛盾。在与AI长期协作过程中，开发者往往不断堆叠提示词、智能体（Agents）、技能模块及记忆笔记，却鲜少将上下文作为整体文档进行通读。随着领域知识的积累，新指令往往覆盖旧决策，但上下文中缺乏明确的取代标记。当AI面对相互冲突的指令时，它不会主动询问优先级，而是随机选择一条并自信地执行，甚至通过编造“幻觉规则”来填补逻辑空白。
隐性冲突的危害
这种“抛硬币”式的随机选择导致了多种问题：新旧决策并存且未明确说明；AGENTS.md、技能定义和智能体定义中的规则副本逐渐分歧；错误的猜测被写入上下文并成为后续回答的前提。正如Drew Breunig所指出的，每次长会话都会积累更多“上下文冲突”。Claude Code的文档也承认，当指令矛盾时，模型可能会任意选择其中一条。许多AI因被训练为取悦用户，倾向于隐藏疑虑而非像人类同事那样停下来确认意图。
操作方法：对抗性审计
解决这一问题的核心在于“审计”而非直接开发。具体步骤如下：
- 准备阶段：确保从一个干净的检查点开始，收集AI读取的所有内容，包括AGENTS.md、技能/智能体定义、记忆笔记及聊天决策记录。
- 开启审计会话：启动一个新的对抗性子代理（Sub-agent），仅加载上述文件及长对话摘要。明确告知AI仅进行审计，禁止编辑文件或构建新功能。
- 列出矛盾：要求AI以编号表格形式列出每一个矛盾之处，精确引用两条冲突指令及其所在文件/消息位置，并说明若同时适用会如何处理。
- 风险排序：根据“猜错导致什么最先崩溃”对矛盾项进行风险排序。
- 挖掘隐性决策：要求AI列出那些用户从未明确做出、但AI不得不猜测的决策，揭示隐藏假设。
- 人工裁决：用户需亲自阅读每一项引用，防止AI捏造矛盾。逐一确定每项冲突的“胜者”并记录理由。
- 清理与固化：将胜者规则保留在单一位置，用指针替换其他副本，并使用pitfalls文件记录陷阱。
- 交叉验证：使用不同模型运行相同审计，因为模型往往能更好地捕捉其他模型生成的缺陷，而非自身盲点。
收益与局限
该方法的收益显著：它能揭示AI的隐性假设，找回被遗忘的决策，消除自动裁决带来的幻觉，并精简规则以防止AGENTS.md过度膨胀。此外，这一过程本身类似于“橡皮鸭调试”，有助于加速领域学习并治愈“理解债务”。其成本极低，一次只读模式的提示词消耗远低于追踪错误输出的时间成本。
需注意，并非所有矛盾都是错误，带有故意例外的一般规则可能被误判为冲突，需人工标记。文本审计无法发现运行时才显现的矛盾，若指令与代码库实际状态冲突，仍需依靠测试而非提示词。对于大量文件，建议成对审计（如AGENTS.md对比技能，再对比智能体）。
数据支持与背景
研究表明，识别冲突的能力已存在。在ConInstruct测试中，Claude-4.5-Sonnet检测冲突的F1值为87.3%，DeepSeek-R1为91.5%。然而，这些模型很少主动报告冲突。用户的思维转变转化为新提示词时，上下文并未同步更新，导致决策滞后。通过审计，用户可在工作开始前将决策从脑海中提取出来，确保规则的一致性。
提示词参考
糟糕的提示词：简单要求检查一致性并继续开发，忽略了潜在冲突。
优秀的提示词：指定独立对抗性子代理，仅限审计，禁止编辑。要求读取所有定义文件，以表格列出矛盾、引用来源、说明处理方式并排序。特别要求列出用户未明确做出的决策，并逐项询问用户哪方胜出，不自行解决问题。
此方法也被称为“矛盾审计”、“上下文冲突检查”或“自一致性审查”。Claude Code中的/doctor prompt-audit命令即具备类似功能，可检查过时或冲突指令，但在用户明确要求前不会应用更改。