Разработчики Anthropic поделились тремя методами настройки API Claude, которые позволяют сократить расходы на токены и повысить точность ответов при переходе на новые модели.
2 мин
Компания Anthropic выпустила руководство по оптимизации работы с платформой Claude. Вопреки распространенному мнению о том, что экономия всегда ведет к снижению качества, разработчики показали, как можно одновременно уменьшить затраты и улучшить результаты. Для этого предлагается использовать три подхода: максимизацию кэширования промптов, удаление устаревших инструкций и калибровку уровня усилий (effort) модели.
При разработке приложений на базе больших языковых моделей (LLM) команды часто накапливают сложные инструкции, призванные компенсировать недостатки старых версий нейросетей. Когда происходит миграция на более современные модели, эти накопившиеся правила начинают мешать. Они не только расходуют лишние токены, но и могут сбивать модель с толку, заставляя ее выполнять ненужные действия.
Изображение из источника
Оптимизация строится вокруг трех ключевых направлений. Первое — эффективное использование кэша промптов. Обработка входящего текста (prefill) является самой дорогой частью запроса. Если запросы начинаются с одинакового префикса, Claude может читать его из кэша за долю обычной стоимости. Чтобы кэш работал, префикс должен быть побайтово идентичным. Рекомендуется выносить динамические данные (например, временные метки) из начала запроса и использовать отложенную загрузку для редко применяемых инструментов.
Второе направление — удаление антипаттернов. Ритуалы вроде «проверь дважды» или принудительного пошагового рассуждения (scratchpad) не нужны передовым моделям. Внутренние тесты Anthropic при переходе с Opus 4.8 на Opus 5 показали, что удаление подобных инструкций с помощью инструмента claude-api prompt-audit снизило затраты в среднем на 14,6% и повысило точность на 5,3%.
Третье — калибровка уровня усилий (effort). Высокий уровень заставляет модель дольше размышлять и искать альтернативы. Однако это не всегда полезно: на простых задачах избыточные размышления лишь увеличивают задержку и стоимость без измеримого прироста качества.
Изображение из источника
Этот подход демонстрирует изменение парадигмы в инженерии промптов (prompt engineering). Если раньше разработчикам приходилось жестко направлять модель с помощью сложных конструкций, то теперь передовые системы лучше понимают намерения пользователя и обладают встроенными механизмами рассуждения. Попытки микроменеджмента со стороны разработчика теперь приводят к конфликтам с внутренними алгоритмами модели и финансовым потерям.
По мере развития базовых моделей разработчикам придется регулярно проводить аудит своих системных инструкций. Инструменты автоматического анализа промптов, подобные встроенным в Claude Code, станут стандартом индустрии. Умение доверять встроенным способностям модели и грамотно настраивать архитектуру запросов (разделяя статичный контекст и динамические данные) станет ключевым навыком для создания экономически эффективных AI-приложений.
Изображение из источника
Изображение из источника
Изображение из источника
Изображение из источника
Изображение из источника
Отказ от устаревших техник написания промптов и грамотное кэширование позволяют снизить стоимость использования Claude без потери качества.
Сложные инструкции, которые помогали старым моделям работать лучше, сейчас активно вредят новым версиям, вызывая лишние вызовы инструментов и конфликты внутренней логики.
