Anthropic удалила 80% системного промпта в Claude Code при переходе на новые модели. Разбираем, почему жесткие правила больше не работают и как правильно выстраивать контекст.
3 мин
Разработчики из Anthropic сообщили о радикальном изменении в подходе к управлению контекстом для моделей поколения Claude 5 (включая Opus 5 и Fable 5). В процессе обновления своего инструмента Claude Code компания удалила более 80% системного промпта без потери качества работы. Это событие знаменует важный сдвиг в индустрии: современные большие языковые модели (LLM) больше не нуждаются в жестком микроменеджменте.
Исторически взаимодействие с языковыми моделями требовало строгих ограничений. Чтобы избежать непредвиденного поведения — например, случайного удаления файлов или написания избыточного кода — разработчики создавали огромные системные промпты. Они состояли из десятков правил, запретов и примеров.
Однако по мере развития способностей моделей этот подход начал давать сбои. Анализируя логи Claude Code, инженеры Anthropic обнаружили, что избыточные инструкции часто вступают в конфликт друг с другом и с намерениями пользователя. Вместо того чтобы просто выполнить задачу, модель вынуждена тратить ресурсы на анализ противоречивых требований, таких как «оставляй документацию там, где это уместно» и «НИКОГДА не добавляй комментарии».
Изображение из источника
Переход к новым принципам работы с контекстом (context engineering) включает несколько ключевых изменений:
От жестких правил к доверию суждениям. Раньше модели требовались прямые указания вроде «никогда не пиши многострочные комментарии». Теперь достаточно задать общий вектор: «пиши код, соответствующий стилю окружающего кода». Новые модели обладают достаточным уровнем суждения, чтобы самостоятельно принимать локальные решения.
От примеров к дизайну интерфейсов. Ранее считалось обязательным давать модели примеры использования каждого инструмента (few-shot prompting). Практика показала, что примеры искусственно сужают пространство решений модели. Гораздо эффективнее проектировать понятные интерфейсы самих инструментов. Например, перечисление конкретных статусов в API дает модели лучшее понимание, как с ним работать, чем длинный текстовый пример.
Постепенное раскрытие информации (progressive disclosure). Вместо загрузки всех возможных инструкций и регламентов в системный промпт, контекст теперь подается порциями. Инструменты и навыки загружаются по запросу (deferred loading). Модель сама ищет нужные функции через специализированный поиск, когда сталкивается с профильной задачей.
Автоматизация памяти и сложные референсы. Ручное сохранение важных данных в конфигурационные файлы уходит в прошлое. Модель автоматически запоминает релевантную информацию. При этом в качестве вводных данных (референсов) теперь эффективнее использовать не простые текстовые описания, а полноценный код, HTML-артефакты, детальные наборы тестов или рубрикаторы для оценки качества.
Изображение из источника
Эти изменения демонстрируют важную эволюцию в архитектуре AI-агентов. Мы переходим от парадигмы «программирования текстом», где каждое действие нужно было описать словами, к парадигме системного дизайна.
Избыточный контекст стал антипаттерном. Чем больше лишней информации получает умная модель, тем выше вероятность галлюцинаций и логических ошибок из-за расфокусировки внимания. Упрощение системного промпта и перенос специфических знаний в подключаемые навыки (skills) позволяет сохранять контекстное окно чистым и использовать его только для решения текущей задачи.
Роль специалиста по работе с AI трансформируется. Фокус смещается с написания витиеватых текстовых инструкций на проектирование архитектуры агентов. Будущее контекстного инжиниринга — это создание модульных систем, где базовая модель получает минимум стартовых инструкций, но имеет доступ к широкому набору инструментов и баз знаний, которые она может вызывать самостоятельно по мере необходимости.
Разработчикам собственных агентов стоит провести ревизию своих системных промптов. Вероятно, большая часть ограничений, написанных для моделей предыдущих поколений, сегодня лишь замедляет работу и снижает качество результатов.
Изображение из источника
Изображение из источника
Современные AI-модели стали достаточно умными, чтобы обходиться без жесткого микроменеджмента: избыточные инструкции теперь вредят качеству работы, а не помогают.
Примеры (few-shot prompting) в системном промпте для новых моделей могут ухудшать результат, так как искусственно ограничивают способность модели к поиску нестандартных решений.
