Anthropic видалила 80% системного промпту, який керує Claude Code, і не зафіксувала жодного зниження його здатності писати код. Експеримент показує, що в міру зростання можливостей великих мовних моделей (LLM), розробники можуть скорочувати громіздкі допоміжні структури, які використовуються для утримання моделей у межах заданого курсу, без шкоди для продуктивності.

Чому цей промпт мав значення від самого початку

Коли Claude Code було запущено, його системний промпт містив десятки правил. Інженери додавали нові рядки щоразу, коли з'являвся баг, але рідко видаляли те, що, здавалося, працювало. З часом промпт перетворився на заплутаний статичний документ.

Розрив у можливостях моделей скорочується

Ці зайві правила приховували «розрив у можливостях моделей» (model gap) — різницю між тим, що могла робити модель, і тим, чого вимагав застосунок. У 2024 році розробникам доводилося чітко прописувати суворі обмеження, щоб запобігти, наприклад, надмірному коментуванню коду моделлю. Сьогодні та сама модель може зрозуміти бажаний стиль з однієї інструкції, наприклад: «відповідай існуючому стилю коду». Правила перетворилися з допомоги на шум.

Що змінюється в контекстній інженерії

Скорочення від Anthropic відображає ширший зсув у тому, як розробники структурують промпти:

  • Одноразові критичні інструкції — сформулюйте правило один раз і дозвольте моделі його запам'ятати.
  • Параметри на основі інструментів замість few-shot прикладів — описуйте форми вхідних і вихідних даних у схемі інструменту та дозволяйте моделі заповнювати їх.
  • Прогресивне розкриття — надавайте лише той контекст, який необхідний для поточного кроку, додаючи більше пізніше, якщо це знадобиться.
  • Перенесення статичних вказівок в описи інструментів — такі речі, як «використовуйте camelCase для змінних», мають належати до специфікації інструменту, а не до системного промпту.
  • Заміна жорстко закодованих правил евристиками — дозвольте моделі самій вирішувати, коли застосовується правило, замість того, щоб нав'язувати його безумовно.

Ці тактики працюють, тому що модель уже знає багато конвенцій, які раніше потребували явного підкріплення.

Ризик надмірного скорочення

Те саме очищення, яке приносить користь передовим (frontier) моделям, може зашкодити меншим. Anthropic зазначає, що такі моделі, як Haiku, все ще покладаються на багатші промпти, щоб не втрачати фокус. Видалення занадто великої кількості вказівок для менш здатної моделі може знову призвести до помилок, які оригінальний промпт намагався запобігти: невідповідного найменування, надмірних коментарів або пропущених граничних випадків.

Як провести аудит власних промптів

Якщо ви підтримуєте конвеєр генерації коду, аудит промптів може виявити зайвий вантаж. Практичний чек-лист виглядає так:

  • Оптимізуйте щільність інструкцій — узгодьте обсяг вказівок із моделлю, яку ви насправді використовуєте.
  • Видаляйте дубльовані інструкції — якщо правило з'являється і в системному промпті, і в описі інструменту, залиште його лише один раз.
  • Перетворюйте робочі приклади на багатші схеми — замінюйте конкретні приклади переліченими типами параметрів або переліками (enums).
  • Виносьте ситуаційні деталі назовні — переміщуйте великі блоки посилань у окремі файли, які модель може завантажити за запитом.
  • Видаляйте правила, що стосуються поведінки, яка зникла — якщо модель більше не додає небажаних коментарів, видаліть правило «без коментарів».

Не покладайтеся на інтуїцію. Використовуйте просте «правило 3-х тестів»: виконайте п'ять реалістичних завдань із програмування, порівняйте результати до і після кожного видалення та зафіксуйте будь-які регресії.

  1. Базовий рівень (Baseline) — виміряйте продуктивність із повним промптом.
  2. Видалення — видаліть потенційний рядок або блок.
  3. Повторний запуск — виконайте ті самі п'ять завдань.

Якщо результат змінюється, ви виявили рядок, який все ще має значення. Якщо ні — рядок можна безпечно видалити.

На що розробникам варто звернути увагу далі

Наразі висновок очевидний: системний промпт — це живий документ. Ставтеся до кожного рядка так, ніби він має термін придатності, регулярно проводьте аудит і дозвольте зростаючій компетентності моделі виконувати основну роботу.

Джерело: dev.to/ialijr/your-system-prompt-has-a-shelf-life-maintaining-prompts-as-models-improve-cd9