大扫除：一种结构化删除冗余的方法

AI Agent 可以在几分钟内增加一段代码、一份文档、一个 Skill 或一层适配机制。创建成本快速下降，代码库也会随之膨胀。

每个新增实体都会产生持续成本：需要更新，需要处理它与其他实体的重复和冲突；它还会撑大 Agent 的 context。Skill 越多，注意力越容易被稀释；指令互相冲突时，Agent 的行为也会变得不可预测。

所以，一个实体带来的收益必须大于长期维护成本。判断它是否真的有价值，可以先问：如果没有它，Agent 会做错，还是只会明显变慢？ 如果两者都不会发生，它通常就没有继续存在的必要。

大扫除是一种结构化删除冗余的方法。它不按文件年龄、名称或表面相似度做判断，而是检查几个标准：

1. 使用证据：谁在使用它？由什么触发？输入和产物是什么？
2. 删除反事实：删掉以后，哪个用户或 Agent 的行为会变差？
3. 事实角色：它是 Source of Truth、Projection，还是 Adapter？
4. 替代能力：已有机制能否等价承担它的职责？
5. 维护机制：谁负责更新？如何发现漂移？出错后如何修复？
6. 保留义务：它是否需要作为历史、审计或合规证据保留？

核心原则只有一句：未知不等于未使用。 找不到消费者时，应当补充证据，不能直接删除。

Decision tree

删除建议只是分析结论，不代表 Agent 已获得删除授权。执行前仍需确认范围与恢复方式，执行后验证消费者行为。

想让 Codex 或 Claude Code 使用这套方法，可以下载 da-sao-chu。仓库内包含安装脚本和完整 Skill。