Anthropic сократила системный промпт Claude Code на 80%, модели Fable 5 требуют меньше инструкций
Tariq Shihipar из Anthropic описывает фундаментальный сдвиг в том, как направляются современные языковые модели. Компания минимизировала системный промпт Claude Code на 80 процентов, обнаружив, что новый класс моделей Fable 5 (также называемый Mythos class) работает лучше с минимальным количеством указаний. Вопреки традиционному убеждению, что больше инструкций и примеров автоматически улучшают результаты, исследования показали противоположное: дополнительные примеры ограничивают возможности модели, которая оказывается более креативной, чем предоставленные образцы. Вместо жёстких правил типа «не делай это» Anthropic переходит на управление через контекст. Эта трансформация произошла в несколько этапов: ранние модели требовали коротких промптов с большим числом примеров и строгих ограничений; затем промпты расширились по мере улучшения способности моделей их обрабатывать; теперь они сокращаются снова, но на совершенно новой основе, модели полагаются на понимание контекста вместо явных правил.
Ключевые факты
- Anthropic минимизировала системный промпт Claude Code на 80 процентов для моделей Fable 5
- Больше инструкций не гарантирует лучшие результаты, новый класс моделей требует минимального количества указаний
- Примеры часто ограничивают модель, которая оказывается более креативной без явных образцов
- Вместо жёстких правил эффективнее управление через контекст и неявное направление поведения
- Эволюция промптов: короткие (ранние модели) → длинные (средние модели) → короткие (Fable 5 с глубоким пониманием контекста)
Почему это важно
Это открытие переворачивает доминирующую парадигму разработки языковых моделей. Поколения инженеров исходили из предположения, что подробные инструкции и множество примеров улучшают результаты. Новые модели показывают противоположное: лишняя информация может помешать. Если дополнительные примеры действительно вредят производительности, это означает, что весь подход к prompt engineering требует пересмотра. Для разработчиков это значит, что интуиция 'больше инструкций', это не универсальная стратегия, а потенциальный путь к снижению качества.
Кому это важно
Это открытие критично для разработчиков Claude Code и других API Anthropic. Инженерам, работающим над LLM-приложениями, необходимо переосмыслить подход к написанию системных промптов. Исследователям в области языковых моделей это даёт новое направление, понять, как модели типа Fable 5 достигают понимания инструкций без явных правил. Компаниям, использующим эти модели в production, это может означать возможность упростить свои системы и повысить эффективность.
Как это применить
На практике это означает минимизировать системный промпт: убирать лишние примеры и переформулировать жёсткие запреты как контекстные подсказки. Вместо 'не делай X' лучше работает создание контекста, в котором модель сама избегает нежелательного поведения. Разработчикам стоит пересмотреть текущие промпты для Claude Code с точки зрения того, какие инструкции действительно необходимы, а какие можно убрать или переформулировать как контекстные указания.
Можно ли доверять
Tariq Shihipar, инженер Anthropic, говорящий о собственных исследованиях компании, поэтому источник авторитетен. Однако это корпоративное заявление о внутренних открытиях, а не независимое исследование или опубликованная документация. Конкретные детали экспериментов (какие метрики улучшились, на каких задачах) не приводятся, что затрудняет независимую верификацию.
Риски и подводные камни
Неясно, применимо ли это открытие ко всем сценариям или только к специфическому типу задач, для которых оптимизирована модель. Разные задачи могут требовать разного подхода, минимизация в одном случае может помочь, в другом навредить. Существует риск буквального следования этому принципу без учёта контекста. Для некоторых сложных задач и неопытных пользователей дополнительные примеры и более подробные инструкции могут оставаться полезными.
«примеры ограничивают модель, потому что она на самом деле более креативна, чем примеры, которые мы ей даём»
— Tariq Shihipar, Anthropic