Разработчики из Anthropic кардинально пересмотрели подход к управлению своими ИИ-моделями, сократив системный промпт для инструмента Claude Code на 80%. Согласно информации издания The Decoder, этот шаг продиктован особенностями новой серии моделей Fable 5, известных также как класс Mythos, которые демонстрируют неожиданную реакцию на избыточные инструкции.

Тарик Шихипар, технический специалист Anthropic, отмечает, что в индустрии произошел качественный сдвиг: привычная логика «больше примеров — лучше результат» перестала работать. Новое поколение алгоритмов обладает достаточным уровнем абстрактного мышления, чтобы воспринимать детальные руководства не как помощь, а как досадные ограничения, мешающие творческому поиску оптимального решения.

От жестких правил к контекстному управлению

Эволюция взаимодействия с LLM прошла несколько отчетливых стадий, напоминающих взросление ребенка. На ранних этапах моделям требовались короткие промпты с жесткими рамками и обилием примеров. Затем, по мере усложнения архитектур, инструкции становились все более объемными и детализированными, превращаясь в многостраничные своды правил.

Теперь же маятник качнулся в обратную сторону. Вместо императивных запретов в духе «не делай этого», инженеры Anthropic стараются направлять Fable 5 через описание контекста. Как выяснилось, избыточные примеры в промпте зачастую сужают «горизонт планирования» модели, поскольку её собственное воображение оказывается богаче тех сценариев, которые закладывают в неё создатели-люди.

«В последнее время мы обнаружили, что этому новому классу моделей требуется меньший системный промпт. Примеры, как правило, ограничивают его, потому что на самом деле он более изобретателен, чем те образцы, которые мы ему даем», — Тарик Шихипар

Этот парадокс — когда искусственный интеллект начинает «задыхаться» в рамках человеческих инструкций — указывает на достижение определенного порога сложности. Модели класса Mythos демонстрируют способность к обобщению, которая делает детальное микроменеджерство со стороны разработчика не только избыточным, но и вредным для качества итогового кода.

Стремление к лаконичности промптов — это не просто оптимизация токенов, а признание того, что жесткая алгоритмизация инструкций мешает работе современных нейросетей. Однако здесь кроется ловушка: полагаясь на «воображение» модели, разработчики жертвуют предсказуемостью ради креативности. В индустрии, где важна детерминированность, такая ставка на интуицию алгоритма выглядит как рискованный эксперимент, который может обернуться неконтролируемыми галлюцинациями в сложных проектах. Краткость — сестра таланта, но в программировании она часто становится матерью ошибок.

Для профессионального сообщества этот кейс служит важным сигналом. Эпоха бесконечного «промпт-инжиниринга», когда эффективность измерялась количеством условий в запросе, постепенно уходит в прошлое. Будущее, похоже, за умением формулировать задачи верхнего уровня, доверяя ИИ выбор конкретных инструментов и путей реализации.