Конспект: Промптинг Claude 5: 7 правил Anthropic для экономии токенов и точной работы AI-агентов — VibCoderZ - VibeCoderz

Загрузка...

Саммари

🎯 О чём этот конспект: Разбор официальных обновленных гайдлайнов Anthropic, докладов Бориса Черного (создателя Claude Code) на Y Combinator и инженерных практик команды Anthropic по взаимодействию с моделями поколения Claude 5 (Opus 5, Fable 5). В конспекте раскрыты 7 фундаментальных правил промптинга: переход от микроменеджмента к сквозным задачам, фреймворки предварительного планирования (Interview Me), объяснение намерений («Why»), замена жестких запретов обоснованиями и очистка конфигураций CLAUDE.md от устаревших приемов верификации.

👤 Кому будет полезно: Вайбкодерам, разработчикам на Claude Code и Cursor, системным инженерам и предпринимателям, которые автоматизируют рабочие процессы с помощью LLM-агентов и хотят прекратить сжигать токены в бесконечных циклах правок.

✨ Что получите: Готовые шаблоны системных промптов, фреймворк сквозного брифа задачи, навык рефакторинга конфигурационных файлов CLAUDE.md и понимание агентной психологии современных моделей, снижающее затраты токенов до 40% и исключающее галлюцинации стиля.

1. Делегирование сквозной задачи (End-to-End) вместо пошагового микроменеджмента

Контекст: Классический подход к промптингу прошлых поколений языковых моделей строился на дроблении задач на микрошаги: «сначала сделай шаг 1, потом шаг 2, потом шаг 3». Модели поколения Claude 5 (Opus 5, Fable 5) и агентные среды вроде Claude Code архитектурно обучены автономному выполнению сквозных рабочих процессов от начала до конца. Как отмечает создатель Claude Code Борис Черный, избыточная детализация шагов связывает модели руки и снижает качество итоговой архитектуры. Современным моделям требуется высокоуровневое понимание задачи: цель, контекст, ограничения и критерии завершения, после чего модели нужно дать возможность самостоятельно спланировать и реализовать работу. Попытка навязать жесткий порядок действий ломает внутреннее дерево рассуждений агента.

Тайминг: [00:40], [01:06]

Выгода: Экономия времени на формулирование промптов, сокращение контекстного окна за счет отсутствия промежуточных сообщений и повышение архитектурной целостности генерируемого кода или контента.

Как применить:

Шаг 1: Отказ от пошаговой диктовки — Claude Code / Claude Opus — Прекратите расписывать процедурные алгоритмы действий. Вместо инструкций типа «открой файл, добавь функцию, импортируй библиотеку» сфокусируйтесь на постановке конечной цели и условий среды.
Шаг 2: Использование агентного фреймворка постановки задачи — Claude Code / Web Claude — Сформируйте промпт по структуре: Задача (Job) -> Смысл (Why) -> Ограничения (Guardrails) -> Критерии завершения (What Done Looks Like).

### 1. Job (Задача)
Создать микросервис аутентификации пользователей на FastAPI с использованием JWT и поддержкой Refresh-токенов в Redis.
 
### 2. Why (Зачем и контекст)
Мы переводим монолитное приложение на распределенную архитектуру для высоконагруженного мобильного клиента. Выходной код должен выдерживать параллельные сессии и быть изолированным от основной БД пользователей.
 
### 3. Guardrails (Ограничения и правила)
- Использовать асинхронные драйверы (asyncpg, redis-py async).
- Хранить секреты только через переменные окружения Pydantic Settings, чтобы исключить утечку ключей.
- Архитектура должна следовать принципам Clean Architecture (разделение на domain, service, repository).
 
### 4. What Done Looks Like (Критерии готовности)
- Все эндпоинты покрыты pytest (интеграционные и юнит-тесты).
- Добавлен Docker Compose для локального запуска сервиса, PostgreSQL и Redis.
- Сервис запускается без ошибок и проходит все тесты.

Шаг 3: Запуск и невмешательство — Claude Code CLI — Отправьте задачу и дайте агенту автономно работать («let the model cook») в течение 10–15 минут, не прерывая выполнение промежуточными вопросами, если не возникли критические ошибки блокировки.

Результат: Готовый, целостно спроектированный модуль или рабочий артефакт без процедурных костылей и накопленной контекстной энтропии.

2. Предварительное планирование через навык «Interview Me» и голосовой сброс мыслей

Контекст: Сложные задачи часто проваливаются из-за невысказанного контекста: человек держит в голове критические нюансы бизнес-логики, но забывает включить их в первоначальный промпт. Внутренняя команда Anthropic решает эту проблему отказом от сиюминутных промптов в пользу предварительной фазы интервьюирования. Модель сама выступает бизнес-аналитиком и задает серию наводящих вопросов, вскрывая слепые зоны проекта до того, как сгенерирована первая строчка кода. Альтернативный метод, популяризированный Андреем Карпатым, — запись непрерывного потока сознания через голосовой ввод с последующей автоструктуризацией. Инвестиция времени в предварительное планирование окупается многократно, устраняя циклы бесконечных переделок.

Тайминг: [01:80], [02:18], [02:57]

Выгода: Предотвращение архитектурных переделок, экономия до 60% токенов за счет исключения итеративных исправлений («галлюцинаций контекста») и получение исчерпывающего ТЗ за 3–5 минут.

Как применить:

Шаг 1: Запуск навыка интервьюера — Claude Projects / System Prompt — Перед постановкой объемной задачи запустите мета-промпт, превращающий Claude в системного аналитика.

Ты — ведущий системный архитектор и бизнес-аналитик. Я хочу поручить тебе комплексную задачу, но перед тем как приступить к генерации решения, проведи со мной интервью. 

Твоя цель: выявить скрытые требования, краевые кейсы, стек, ограничения безопасности и критерии готовности.

Задавай мне по 2-3 точечных вопроса за раз, ожидая моих ответов. Продолжай интервью до тех пор, пока у тебя не появится 100% информации для составления полного спецификационного брифа задачи. После завершения интервью сформируй итоговый бриф в формате: Job, Why, Guardrails, Definition of Done.

Шаг 2: Голосовой сброс контекста (Voice Ramble) — WhisperFlow / Встроенный войс-модуль Claude — Если нет времени отвечать по пунктам, включите голосовой ввод и в течение 2–3 минут свободно наговорите все детали, мысли и опасения по проекту.
Шаг 3: Структурирование потока через Prompt Master — Claude Opus 5 — Пропустите полученный голосовой транскрипт через системный промпт-структуризатор.

Ниже приведен сырой транскрипт моих голосовых заметок по проекту. 
Очисти текст от слов-паразитов, организуй разрозненные мысли в логическую структуру и преобразуй в итоговый технический бриф для Claude Code:
1. Контекст и целевая аудитория
2. Бизнес-логика и требования
3. Архитектурные ограничения
4. Финальный результат и формат сдачи

Результат: Детально проработанное ТЗ с закрытыми краевыми сценариями, готовое к передаче в агентный контур.

3. Передача глубинного намерения: формулирование «Зачем», а не только «Что»

Контекст: В сложных автономных процессах модель неизбежно сталкивается с развилками логики — микрорешениями, которые невозможно предусмотреть даже в детальном ТЗ. Если модель знает только команду «сделай X», при встрече с неопределенностью она делает случайный статистический выбор, часто ломающий логику продукта. Гайдлайны Anthropic подчеркивают: передача истинного намерения («intent behind the request») дает модели компас для принятия самостоятельных решений на развилках. Знание того, кто конечный пользователь и какую бизнес-задачу решает артефакт, направляет эвристику Claude по оптимальному пути без участия человека.

Тайминг: [03:82], [04:13]

Выгода: Автономное принятие моделью правильных инженерных и продуктовых решений на развилках кода без остановок процесса и без необходимости переспрашивать пользователя.

Как применить:

Шаг 1: Интеграция формулы намерения Anthropic — Claude Code / Cursor Composer — Всегда внедряйте в вводный блок задачи официальный синтаксис формулирования намерений.

Я работаю над [ОПИСАНИЕ МАСШТАБНОЙ ЗАДАЧИ / ПРОЕКТА] для [КОНКРЕТНЫЙ ПОЛЬЗОВАТЕЛЬ / ЦЕЛЕВАЯ АУДИТОРИЯ]. 
Им необходимо [КАКОЙ РЕЗУЛЬТАТ / ВОЗМОЖНОСТЬ ДАЕТ ЭТОТ ВЫХОДНОЙ АРТЕФАКТ]. 
С учетом этого контекста и финальной цели, выполни следующий запрос: [КОНКРЕТНОЕ ТЕХНИЧЕСКОЕ ЗАДАНИЕ].

Шаг 2: Пример практического применения для вайбкодинга — Cursor / Claude Code — Сформулируйте блок Why перед запросом генерации API.

Я работаю над созданием мобильного личного кабинета водителя курьерской службы для сотрудников логистического отдела с низкой технической грамотностью. 
Им необходимо максимально быстро отмечать доставку заказа в условиях нестабильного 3G-интернета и яркого солнечного света на улице. 
С учетом этого контекста спроектируй UI-компоненты карточки заказа на React Native: крупные контрастные кнопки подтверждения, локальное кэширование действий через SQLite (Offline-First) и фоновую синхронизацию при появлении сети.

Результат: Модель самостоятельно оптимизирует вспомогательные детали (контрастность, офлайн-режим, размер тач-зон), о которых разработчик не упомянул напрямую.

4. Жесткая фиксация критериев завершения («What Done Looks Like»)

Контекст: Агентные модели поколения Claude 5 обладают сверхдлинным контекстным циклом работы. Их главная проблема — не недоработка, а чрезмерное усердие («over-engineering»). Без явного указания условий выхода из цикла модель продолжает генерировать избыточный код, рефакторить соседние модули, писать ненужные пояснения и бесконечно тратить токены. Борис Черный в выступлении на Y Combinator акцентировал внимание на том, что для агентных сред описание критерия выхода (exit criteria) является критически важным. Вы должны точно определить два параметра: физический состав артефакта сдачи и стилистический формат вывода.

Тайминг: [04:78], [05:13]

Выгода: Предотвращение бесконечных циклов генерации, экономия контекстного окна и защита проекта от несанкционированного изменения файлов за пределами задачи.

Как применить:

Шаг 1: Формулирование физических границ завершения задачи — Claude Code / Terminal — Четко пропишите конечное состояние системы, сигнализирующее о том, что работа окончена.
Шаг 2: Привязка референсных стилей — Claude Projects / Внутренняя база знаний — Предоставьте модели образец эталонного вывода или путь к эталонному файлу в репозитории.

### Критерии завершения (Definition of Done):
1. Изменения внесены исключительно в файлы `services/billing.py` и `tests/test_billing.py`. Трогать другие модули строго запрещено.
2. Реализовано ровно 3 метода: `create_invoice`, `verify_payment`, `cancel_subscription`.
3. Все 3 метода покрыты unit-тестами с моками Stripe API; покрытие тестами — не менее 95%.
4. Вывод в консоль: покажи краткую сводку изменений в виде таблицы (Файл | Добавленные методы | Статус тестов) на простом английском языке без многословных вводных рассуждений.
5. Референс по кодстайлу: ориентируйся на реализацию в `services/auth.py`.

Шаг 3: Ограничение многословия (Verbosity Control) — Claude System Prompt — Добавьте директиву: Give the output in plain English that is easy to understand, without introductory fluff or repetitive summaries.

Результат: Агент завершает работу строго в рамках установленного периметра, не расходуя токены на непрошенные рефакторинги и многословные отчеты.

5. Замена категоричных запретов аргументированными инструкциями

Контекст: Годами разработчики промптов вбивали директивы через негативные императивы: «НИКОГДА не делай X», «ИЗБЕГАЙ Y», «DON'T USE Z». Инженерные исследования Anthropic в области Context Engineering показали, что интеллектуальные reasoning-модели гораздо эффективнее воспринимают позитивные инструкции с объяснением логической причины запрета, чем слепые табу. Категоричные слова капслоком вызывают эффект паразитной интерференции (over-triggering), заставляя модель зацикливаться на запрещенном понятии. Когда модель понимает причину ограничения, она способна гибко оценивать контекст и соблюдать правила на порядок надежнее.

Тайминг: [05:57], [06:00]

Выгода: Снижение вероятности нарушения ограничений (compliance rate возрастает), исключение параноидального поведения модели и ложных отказов от выполнения инструкций.

Как применить:

Шаг 1: Аудит негативных инструкций — Найдите в своих промптах слова never, don't, avoid, капслок и восклицательные знаки.
Шаг 2: Конвертация запрета в позитивную инструкцию с обоснованием — Перепишите правила по шаблону: [Что сделать] + [Для чего / какая причина].

Таблица трансформации правил промптинга:

Устаревший подход (Жесткий запрет)	Новый подход Anthropic (Инструкция + Причина)
`НИКОГДА не используй внешние CSS-библиотеки!`	`Используй исключительно чистый Tailwind CSS через утилитарные классы, так как проект компилируется в изолированное Web Component окружение с жесткими лимитами на размер бандла.`
`Не выдумывай факты и никогда не давай советы не от Anthropic!`	`Включай в рекомендации только подтвержденные методы из официальной документации Anthropic, чтобы наши технические решения имели доказанную архитектурную надежность.`
`DO NOT use ORM queries inside loops!`	`Выноси выборку данных за пределы циклов с использованием batch-запросов (`in_`), чтобы исключить проблему N+1 и предотвратить деградацию производительности БД при высоких нагрузках.`

Результат: Стабильное соблюдение архитектурных и стилистических рамок без случайных срывов и перегрузки внимания модели.

6. Отказ от устаревших приемов верификации и псевдо-промптинга в CLAUDE.md

Контекст: С развитием моделей предыдущие хаки промпт-инжиниринга превратились в технический долг, который вредит качеству и увеличивает счета за API. Модели поколения Claude 5 имеют встроенные механизмы автономного выявления ошибок, самокоррекции и встроенные цепочки рассуждений. Инструкции вроде «думай шаг за шагом» (think step-by-step), «объясняй свой ход мыслей», использование кричащего капслока (IMPORTANT!!!) и создание отдельных агентов-валидаторов поверх базового вывода для большинства задач дублируют внутренние процессы модели. Они искусственно раздувают контекст и приводят к деградации рассуждений из-за чрезмерной саморефлексии (overthinking). Для очистки правил Anthropic разработали специализированный навык Rule Rewriter.

Тайминг: [06:13], [06:48], [06:82]

Выгода: Сокращение задержки ответа (latency) на 25–40%, существенное снижение расхода токенов и устранение мусорных логов рассуждений.

Как применить:

Шаг 1: Удаление мусорных конструкций — Удалите из промптов, системных файлов и конфигураций агента следующие фразы:
- Think step-by-step before answering
- Explain your reasoning in detail
- Double-check your work for mistakes before finalizing
- YOU MUST ALWAYS OBEY THIS RULE OR YOU WILL BE FIRED
Шаг 2: Рефакторинг CLAUDE.md с помощью Rule Rewriter — Запустите промпт для рефакторинга файлов проекта (CLAUDE.md, .cursorrules, skill-файлов).

Ты — эксперт по контекстной инженерии Claude. Проанализируй мой текущий конфигурационный файл правил для AI-ассистента:
 
[ВСТАВЬ ТЕКСТ СВОЕГО CLAUDE.MD ИЛИ .CURSORRULES]
 
Выполни рефакторинг по гайдлайнам Anthropic для моделей Claude 5:
1. Удали псевдо-промпты («think step-by-step», требования самопроверки, капслок-акценты).
2. Замени все категоричные запреты («never», «don't») на утвердительные инструкции с указанием технической причины.
3. Сократи избыточные описания, сделав правила предельно лаконичными.
Выдай обновленный файл конфигурации в Markdown.

Результат: Чистый, высокоэффективный файл конфигурации проекта, оптимизированный под нативные когнитивные паттерны современных моделей.

7. Глобальная калибровка тона и лаконичности («Fix Claude's Voice Once»)

Контекст: Флагманские модели (в частности Claude Opus 5) при дефолтных системных настройках склонны к академической витиеватости, генерации тяжеловесных формулировок, профессионального жаргона и пространных вступлений. Пытаться одергивать модель в каждом диалоге («ответь покороче», «без воды») неэффективно: на это тратятся токены и внимание контекста. Anthropic рекомендует зафиксировать желаемый стиль общения единожды на глобальном уровне — в общих системных инструкциях (Desktop Global Instructions), глобальном системном промпте или в корневом файле CLAUDE.md.

Тайминг: [07:08], [07:30]

Выгода: Мгновенное получение сжатых, легко читаемых ответов без жаргона во всех новых сессиях без необходимости напоминать о формате.

Как применить:

Шаг 1: Конфигурация Claude Desktop — Перейдите в Settings -> General -> поле Instructions for Claude.
Шаг 2: Конфигурация для Claude Code / проектов Cursor — Добавьте единый блок управления стилем в ваш корневой файл CLAUDE.md или System Prompt в Claude Projects.

 
---
 
## Response Style & Communication
- Keep responses focused, brief, and concise. 
- Avoid corporate jargon, unnecessary buzzwords, and overly academic phrasing.
- Provide direct answers and production-ready code immediately, avoiding conversational filler, pleasantries, or post-generation summaries unless explicitly requested.
- If a technical trade-off exists, state it in one clear sentence.

Шаг 3: Тест на понимание коллегой — Используйте «золотое правило Anthropic»: покажите вашу инструкцию коллеге без глубокого контекста задачи. Если у живого инженера формулировка вызывает вопросы — модель также интерпретирует ее двусмысленно. Отредактируйте спорные места.

Результат: Предсказуемый, технически строгий стиль взаимодействия с AI-агентом без лишнего текстового шума.

FAQ

В: Почему пошаговый промптинг (Chain-of-Thought от пользователя) стал работать хуже в Claude 5? О: Современные агентные модели Anthropic обучены внутренним механизмам reasoning и декомпозиции сквозных задач. Навязывание процедурных шагов человеком нарушает оптимальное распределение внимания модели, приводит к локальным оптимумам и мешает агенту использовать собственные оптимизированные стратегии решения.

В: Чем опасны фразы вроде «Double-check your output» или создание отдельного агента-валидатора? О: Claude 5 уже содержит автономный цикл самоверификации при выполнении заданий. Дополнительные явные команды проверить себя запускают лишний цикл валидации, который не находит новых ошибок, но съедает токены генерации и часто приводит к «галлюцинациям сомнения», когда модель начинает необоснованно переписывать рабочий код.

В: Как правильно передавать ограничения (guardrails), не используя слово «Never»? О: Сформулируйте то, что система должна делать, и привяжите это к практической причине. Вместо «Никогда не используй Any в типах TypeScript» пишите: «Указывай строгие типы или интерфейсы для всех аргументов и возвращаемых значений, чтобы гарантировать типобезопасность на этапе сборки проекта».

В: Где лучше размещать инструкции по тону вывода: в каждом промпте или глобально? О: Исключительно глобально — в системных инструкциях Claude Desktop, поле Instructions в Claude Projects или в корневом CLAUDE.md репозитория. Повторение инструкций о стиле в пользовательских промптах засоряет контекст и снижает фокус модели на технической сути конкретной задачи.

В: Что делать, если у меня нет времени на проведение интервью перед каждой задачей? О: Используйте голосовой сброс мыслей (Voice Ramble). Надиктуйте задачу за 1–2 минуты в микрофон без заботы о пунктуации и структуре, а затем скормите транскрипт модели с инструкцией превратить его в бриф по схеме: Job, Why, Guardrails, Definition of Done.

В: Актуальны ли примеры (Few-Shot Prompting) для моделей уровня Opus 5? О: Да, предоставление 1–2 референсных примеров эталонного кода или стиля ответа по-прежнему остается одним из самых надежных способов зафиксировать требуемую структуру и формат, особенно когда нужно соблюсти специфический внутренний кодстайл проекта.

Ресурсы и ссылки

Claude Code — Терминальный AI-агент от Anthropic для автономной разработки ПО — упомянут в видео.
Claude Desktop — Официальное десктопное приложение Claude с поддержкой глобальных инструкций — упомянут в видео.
WhisperFlow — Инструмент голосовой транскрипции для быстрого сброса мыслей — упомянут в видео.
Выступление Бориса Черного на Y Combinator — Доклад о принципах работы Claude Code и высокоуровневом промптинге современных моделей — упомянут в видео.
Материалы Anthropic по Context Engineering — Официальные гайды и кейноуты Anthropic по оптимизации контекста и переходу на модели Claude Opus 5 и Fable 5 — упомянуты в видео.

Конспект создан на основе видео «I read Anthropic's new prompting guide (Prompt Claude 5 Like Anthropic)» канала Ben's Bites / AI with Ben. Все права на оригинальный материал принадлежат авторам. Источник: https://www.youtube.com/watch?v=HDmBwU5uvEE