Anthropic drastycznie skraca system prompt Claude Code o 80% dla Fable 5
Anthropic obserwuje zmianę paradygmatu w sposobie sterowania dużymi modelami językowymi, odchodząc od rozbudowanych zestawów instrukcji na rzecz lżejszego, bardziej intuicyjnego prowadzenia. Ewolucja ta jest napędzana przez pojawienie się nowych modeli Fable 5 (klasy Mythos), które najlepiej sprawdzają się przy mniejszej liczbie ograniczeń i większej ilości kontekstu.
Śmierć długiego system promptu
Przez lata standardem branżowym w optymalizacji wydajności AI był „prompt engineering” poprzez masowe instrukcje systemowe i wyczerpujące przykłady typu few-shot. Deweloperzy wierzyli, że więcej reguł i więcej ograniczeń typu „nie rób tego” to klucz do niezawodności. Anthropic odwraca jednak ten trend.
Tariq Shihipar, członek zespołu technicznego w Anthropic, ujawnił, że firma skróciła system prompt dla Claude Code o oszałamiające 80 procent. Redukcja ta nie jest oznaką uproszczenia modelu, lecz odpowiedzią na zaawansowane zdolności poznawcze nowych modeli Fable 5. W miarę jak modele stają się bardziej zaawansowane, tradycyjna metoda „prowadzenia za rękę” za pomocą długich promptów staje się przeciwskuteczna.
Dlaczego modele Fable 5 stawiają opór ograniczeniom
Przejście na modele Fable 5 (lub klasy Mythos) stanowi fundamentalną zmianę w zachowaniu modelu. Według Shihipara, dostarczanie rozbudowanych przykładów i sztywnych reguł tym konkretnym modelom w rzeczywistości obniża ich wydajność. Powód jest nieoczekiwany: modele te są z natury bardziej „wyobraźne” niż ich poprzednicy.
Gdy deweloper podaje długą listę konkretnych przykładów, działa to jako ograniczenie, które limituje zdolności rozumowania modelu. Zamiast szukać najbardziej efektywnego lub kreatywnego rozwiązania problemu, model czuje się zmuszony do naśladowania konkretnych wzorców zawartych w prompcie. Aby odblokować prawdziwy potencjał klasy Mythos, Anthropic odchodzi od sztywnych reguł na rzecz „sterowania poprzez kontekst”. Pozwala to modelowi wykorzystać jego zdolności rozumowania do wykonywania zadań bez bycia ograniczanym przez nadmierny narzut instrukcji.
Cykliczna ewolucja prompt engineeringu
Droga prompt engineeringu podążała za wyraźnym, cyklicznym wzorcem wraz z ewolucją modeli. Wewnętrzne ustalenia Anthropic wyróżniają trzy odrębne etapy rozwoju modeli:
- Wczesne modele: Wymagały krótkich, wysoce specyficznych promptów wspieranych wieloma przykładami i ekstremalnie restrykcyjnymi instrukcjami, aby utrzymać jakikolwiek poziom spójności.
- Modele pośrednie: W miarę poprawy zrozumienia, prompty stawały się znacznie dłuższe. Deweloperzy wykorzystywali zwiększoną zdolność „podążania za instrukcjami”, aby tworzyć masowe, złożone system prompty, które zarządzały każdym aspektem zachowania modelu.
- Era Fable 5: Weszliśmy w etap, w którym prompty ponownie stają się krótsze. Skupienie przesunęło się z mówienia modelowi, co ma robić (reguły), na zapewnienie niezbędnego środowiska (kontekstu), w którym model może działać autonomicznie.
Ten rozwój stanowi kamień milowy dla krajobrazu AI. Sugeruje on, że w miarę przechodzenia w stronę modeli bardziej agentycznych i opartych na rozumowaniu, rola dewelopera zmieni się z „twórcy reguł” na „dostawcę kontekstu”, priorytetyzując jakość informacji nad ilością instrukcji.
Kluczowe wnioski
- 80% redukcji: Anthropic skróciło system prompt Claude Code o 80%, aby lepiej dopasować go do możliwości modeli Fable 5 (klasy Mythos).
- Ograniczenia limitują kreatywność: Nadmierna liczba przykładów i sztywne reguły typu „nie rób tego” mogą w rzeczywistości ograniczać zdolności rozumowania i wyobraźni zaawansowanych modeli.
- Kontekst ponad reguły: Nowa granica sterowania AI polega na dostarczaniu bogatego kontekstu zamiast długich, restrykcyjnych zestawów instrukcji.