#prompt_engineering — Public Fediverse posts

Anthropic публикует системные промпты Claude. Разбираем, как они менялись от Haiku 3 до Opus 5

Что Claude получает ещё до первого сообщения пользователя, зачем модели отдельные инструкции по работе с инструментами и длинными задачами и какие идеи из system prompts можно использовать в собственных AI-ассистентах. Когда мы отправляем Claude первый запрос, для пользователя диалог только начинается. Для модели нет. До пользовательского сообщения Claude уже получает системную инструкцию, которая задаёт контекст работы: кто модель, какая сейчас дата, как оформлять ответы, как работать с доступными инструментами, что делать с неопределённостью и какие ограничения учитывать. Anthropic публикует такие инструкции в официальной документации в разделе System Prompts . Причём там сохранена история изменений: от Claude Haiku 3 и Opus 3 до Fable 5 и Opus 5. Получается довольно интересный датасет для тех, кто работает с LLM не только через обычный чат. Можно посмотреть, как за два года изменился подход Anthropic к системным промптам и что компания считает действительно важным объяснить модели до того, как пользователь вообще сформулировал задачу . И некоторые выводы вполне применимы к собственным AI-агентам.

https://habr.com/ru/companies/syntx_ai/articles/1071438/

#Claude #Anthropic #системные_промпты #system_prompt #LLM #prompt_engineering #Claude_Opus_5 #Claude_Fable_5 #AIагенты #промптинжиниринг

Anthropic публикует системные промпты Claude. Разбираем, как они менялись от Haiku 3 до Opus 5

Что Claude получает ещё до первого сообщения пользователя, зачем модели отдельные инструкции по работе с инструментами и длинными задачами и какие идеи из system prompts можно использовать в собственных AI-ассистентах. Когда мы отправляем Claude первый запрос, для пользователя диалог только начинается. Для модели нет. До пользовательского сообщения Claude уже получает системную инструкцию, которая задаёт контекст работы: кто модель, какая сейчас дата, как оформлять ответы, как работать с доступными инструментами, что делать с неопределённостью и какие ограничения учитывать. Anthropic публикует такие инструкции в официальной документации в разделе System Prompts . Причём там сохранена история изменений: от Claude Haiku 3 и Opus 3 до Fable 5 и Opus 5. Получается довольно интересный датасет для тех, кто работает с LLM не только через обычный чат. Можно посмотреть, как за два года изменился подход Anthropic к системным промптам и что компания считает действительно важным объяснить модели до того, как пользователь вообще сформулировал задачу . И некоторые выводы вполне применимы к собственным AI-агентам.

https://habr.com/ru/companies/syntx_ai/articles/1071438/

#Claude #Anthropic #системные_промпты #system_prompt #LLM #prompt_engineering #Claude_Opus_5 #Claude_Fable_5 #AIагенты #промптинжиниринг

Anthropic публикует системные промпты Claude. Разбираем, как они менялись от Haiku 3 до Opus 5

Что Claude получает ещё до первого сообщения пользователя, зачем модели отдельные инструкции по работе с инструментами и длинными задачами и какие идеи из system prompts можно использовать в собственных AI-ассистентах. Когда мы отправляем Claude первый запрос, для пользователя диалог только начинается. Для модели нет. До пользовательского сообщения Claude уже получает системную инструкцию, которая задаёт контекст работы: кто модель, какая сейчас дата, как оформлять ответы, как работать с доступными инструментами, что делать с неопределённостью и какие ограничения учитывать. Anthropic публикует такие инструкции в официальной документации в разделе System Prompts . Причём там сохранена история изменений: от Claude Haiku 3 и Opus 3 до Fable 5 и Opus 5. Получается довольно интересный датасет для тех, кто работает с LLM не только через обычный чат. Можно посмотреть, как за два года изменился подход Anthropic к системным промптам и что компания считает действительно важным объяснить модели до того, как пользователь вообще сформулировал задачу . И некоторые выводы вполне применимы к собственным AI-агентам.

https://habr.com/ru/companies/syntx_ai/articles/1071438/

#Claude #Anthropic #системные_промпты #system_prompt #LLM #prompt_engineering #Claude_Opus_5 #Claude_Fable_5 #AIагенты #промптинжиниринг

Как генерировать реалистичных людей по десяткам признаков

Сгенерировать реалистичный портрет по одному описанию несложно. Гораздо труднее одновременно управлять десятками параметров: возраст, пол, причёска, форма лица и другие признаки. Такую задачу решал заказчик: ему нужно было генерировать набор фотореалистичных изображений людей для биометрического приложения. Предыдущие эксперименты давали изображения, которые выглядели явными рисунками, поэтому нужно было подобрать другой вариант генерации и управления атрибутами. Что-же там за вариант генерации

https://habr.com/ru/articles/1068880/

#Stable_Diffusion #генерация_изображений #генеративный_ИИ #компьютерное_зрение #ControlNet #IP_Adapter #Compel #texttoimage #imagetoimage #prompt_engineering

Как генерировать реалистичных людей по десяткам признаков

Сгенерировать реалистичный портрет по одному описанию несложно. Гораздо труднее одновременно управлять десятками параметров: возраст, пол, причёска, форма лица и другие признаки. Такую задачу решал заказчик: ему нужно было генерировать набор фотореалистичных изображений людей для биометрического приложения. Предыдущие эксперименты давали изображения, которые выглядели явными рисунками, поэтому нужно было подобрать другой вариант генерации и управления атрибутами. Что-же там за вариант генерации

https://habr.com/ru/articles/1068880/

#Stable_Diffusion #генерация_изображений #генеративный_ИИ #компьютерное_зрение #ControlNet #IP_Adapter #Compel #texttoimage #imagetoimage #prompt_engineering

Как генерировать реалистичных людей по десяткам признаков

Сгенерировать реалистичный портрет по одному описанию несложно. Гораздо труднее одновременно управлять десятками параметров: возраст, пол, причёска, форма лица и другие признаки. Такую задачу решал заказчик: ему нужно было генерировать набор фотореалистичных изображений людей для биометрического приложения. Предыдущие эксперименты давали изображения, которые выглядели явными рисунками, поэтому нужно было подобрать другой вариант генерации и управления атрибутами. Что-же там за вариант генерации

https://habr.com/ru/articles/1068880/

#Stable_Diffusion #генерация_изображений #генеративный_ИИ #компьютерное_зрение #ControlNet #IP_Adapter #Compel #texttoimage #imagetoimage #prompt_engineering

Я объяснил KERNEL маме за пять минут. Потом проверил, переживёт ли он LLM в production

Недавно я попробовал объяснить маме, как нормально ставить задачи ChatGPT. Без temperature, context window, system prompt и прочих слов, после которых человек вполне справедливо решает, что проще уже сделать всё самому. Я сказал примерно так: «Сформулируй, что тебе нужно. Объясни, каким должен быть результат. Если есть ограничения, напиши их сразу. Не сваливай пять разных задач в одну. И не заставляй модель угадывать то, что существует только у тебя в голове». На всё ушло минут пять. А потом я понял, что почти дословно пересказал KERNEL, один из фреймворков для написания промптов. И тут стало интереснее: если базовый prompt engineering действительно можно объяснить человеку за пять минут, что происходит, когда LLM переезжает из вкладки браузера в реальный продукт?

https://habr.com/ru/companies/syntx_ai/articles/1068654/

#LLM #prompt_engineering #KERNEL #промпты #context_engineering #evals #ChatGPT #RAG #AIагенты #LLM_в_production

Я объяснил KERNEL маме за пять минут. Потом проверил, переживёт ли он LLM в production

Недавно я попробовал объяснить маме, как нормально ставить задачи ChatGPT. Без temperature, context window, system prompt и прочих слов, после которых человек вполне справедливо решает, что проще уже сделать всё самому. Я сказал примерно так: «Сформулируй, что тебе нужно. Объясни, каким должен быть результат. Если есть ограничения, напиши их сразу. Не сваливай пять разных задач в одну. И не заставляй модель угадывать то, что существует только у тебя в голове». На всё ушло минут пять. А потом я понял, что почти дословно пересказал KERNEL, один из фреймворков для написания промптов. И тут стало интереснее: если базовый prompt engineering действительно можно объяснить человеку за пять минут, что происходит, когда LLM переезжает из вкладки браузера в реальный продукт?

https://habr.com/ru/companies/syntx_ai/articles/1068654/

#LLM #prompt_engineering #KERNEL #промпты #context_engineering #evals #ChatGPT #RAG #AIагенты #LLM_в_production

Я объяснил KERNEL маме за пять минут. Потом проверил, переживёт ли он LLM в production

Недавно я попробовал объяснить маме, как нормально ставить задачи ChatGPT. Без temperature, context window, system prompt и прочих слов, после которых человек вполне справедливо решает, что проще уже сделать всё самому. Я сказал примерно так: «Сформулируй, что тебе нужно. Объясни, каким должен быть результат. Если есть ограничения, напиши их сразу. Не сваливай пять разных задач в одну. И не заставляй модель угадывать то, что существует только у тебя в голове». На всё ушло минут пять. А потом я понял, что почти дословно пересказал KERNEL, один из фреймворков для написания промптов. И тут стало интереснее: если базовый prompt engineering действительно можно объяснить человеку за пять минут, что происходит, когда LLM переезжает из вкладки браузера в реальный продукт?

https://habr.com/ru/companies/syntx_ai/articles/1068654/

#LLM #prompt_engineering #KERNEL #промпты #context_engineering #evals #ChatGPT #RAG #AIагенты #LLM_в_production

Как приручить LLM

- Пробовали сделать цифрового сотрудника на LLM? - У вас получилось? - Долго старались? - Насколько он качественный? - Сколько он стоит в обслуживании? Очень много вопросов возникает к технологии ведения диалогов нейросетями.

https://habr.com/ru/articles/1066298/

#LLM #Chatbot #Conversational_AI #AI_Agents #Prompt_Engineering #Responses_API #Structured_Output #Software_Architecture #Open_Source

Как приручить LLM

- Пробовали сделать цифрового сотрудника на LLM? - У вас получилось? - Долго старались? - Насколько он качественный? - Сколько он стоит в обслуживании? Очень много вопросов возникает к технологии ведения диалогов нейросетями.

https://habr.com/ru/articles/1066298/

#LLM #Chatbot #Conversational_AI #AI_Agents #Prompt_Engineering #Responses_API #Structured_Output #Software_Architecture #Open_Source

Как приручить LLM

- Пробовали сделать цифрового сотрудника на LLM? - У вас получилось? - Долго старались? - Насколько он качественный? - Сколько он стоит в обслуживании? Очень много вопросов возникает к технологии ведения диалогов нейросетями.

https://habr.com/ru/articles/1066298/

#LLM #Chatbot #Conversational_AI #AI_Agents #Prompt_Engineering #Responses_API #Structured_Output #Software_Architecture #Open_Source

Один ход агента — 120 000 токенов. Разбираемся, куда они уходят и как мы это починили

Мы делаем автономного агента, который умеет не отвечать, а делать: искать в сети, генерировать медиа, резать видео на клипы, публиковать результат. Под капотом - агентный цикл на базе hermes-agent, свои инструменты через MCP и оплата по токенам. И вот приходит пользователь с вопросом, от которого неприятно холодеет: «Почему один мой запрос стоил 38 кредитов? Я посмотрел цены на OpenRouter - по факту это должно было стоить втрое меньше». Он был прав. Дальше - как мы искали причину, что нашли (спойлер: не то, что ожидали) и что с этим сделали.

https://habr.com/ru/articles/1065426/

#LLM #агенты #токены #prompt_engineering #AI #openrouter #агентные_системы #оптимизация #биллинг

Один ход агента — 120 000 токенов. Разбираемся, куда они уходят и как мы это починили

Мы делаем автономного агента, который умеет не отвечать, а делать: искать в сети, генерировать медиа, резать видео на клипы, публиковать результат. Под капотом - агентный цикл на базе hermes-agent, свои инструменты через MCP и оплата по токенам. И вот приходит пользователь с вопросом, от которого неприятно холодеет: «Почему один мой запрос стоил 38 кредитов? Я посмотрел цены на OpenRouter - по факту это должно было стоить втрое меньше». Он был прав. Дальше - как мы искали причину, что нашли (спойлер: не то, что ожидали) и что с этим сделали.

https://habr.com/ru/articles/1065426/

#LLM #агенты #токены #prompt_engineering #AI #openrouter #агентные_системы #оптимизация #биллинг

Один ход агента — 120 000 токенов. Разбираемся, куда они уходят и как мы это починили

Мы делаем автономного агента, который умеет не отвечать, а делать: искать в сети, генерировать медиа, резать видео на клипы, публиковать результат. Под капотом - агентный цикл на базе hermes-agent, свои инструменты через MCP и оплата по токенам. И вот приходит пользователь с вопросом, от которого неприятно холодеет: «Почему один мой запрос стоил 38 кредитов? Я посмотрел цены на OpenRouter - по факту это должно было стоить втрое меньше». Он был прав. Дальше - как мы искали причину, что нашли (спойлер: не то, что ожидали) и что с этим сделали.

https://habr.com/ru/articles/1065426/

#LLM #агенты #токены #prompt_engineering #AI #openrouter #агентные_системы #оптимизация #биллинг

----------------

🛠️ Tool
===================

A new Claude Code plugin provides a CLAUDE.md file designed to address specific LLM coding pitfalls recently highlighted by Andrej Karpathy. The tool targets common issues in AI-assisted coding where models make silent assumptions, overcomplicate implementations, and make unnecessary orthogonal edits to unrelated code sections. By enforcing strict behavioral principles, the plugin aims to make AI agents more reliable and predictable when working inside existing codebases.

Key Features:
• Think Before Coding: LLMs frequently pick an interpretation silently and proceed without verification. This principle forces the model to state assumptions explicitly and present multiple interpretations when ambiguity exists. It requires the model to push back if a simpler approach is available and to stop and request clarification when confused.
• Simplicity First: To combat the tendency toward overengineering, this principle restricts speculative features and single-use abstractions. The model is instructed not to add error handling for impossible scenarios or introduce configurability that was not requested. The test applied here is whether a senior engineer would consider the implementation overcomplicated. If so, the model must rewrite it.
• Surgical Changes: When modifying existing code, models often refactor or format adjacent sections as a side effect. This principle restricts edits strictly to the user's request. The model must not improve unrelated code, must match the existing style even if it differs from its own preference, and must only mention unrelated dead code rather than deleting it. It is only permitted to remove orphans created by its own current changes.
• Goal-Driven Execution: This principle transforms imperative tasks into verifiable goals using a tests-first approach. Instead of executing a vague command like "add validation", the model is instructed to write tests that reproduce the issue or define the expected behavior, and then implement the code to make those tests pass. For multi-step tasks, the model must state a brief plan with verification checks for each step.

Technical Implementation:
The guidelines are contained within a single CLAUDE.md file. Users can install this configuration directly within Claude Code. The process involves adding the marketplace repository using the command /plugin marketplace add forrestchang/andrej-karpathy-skills, followed by executing /plugin install andrej-karpathy-skills@. This integrates the behavioral rules directly into the agent's system context.

Use Cases:
• Maintaining codebase integrity during AI-assisted refactoring by preventing the model from touching orthogonal code.
• Reducing code bloat by ensuring the model implements only the requested functionality without speculative abstractions.
• Enabling longer autonomous loops by providing the model with strong, verifiable success criteria based on test execution.

Limitations:
The overall effectiveness of these guidelines depends heavily on the underlying model's adherence to system prompts and context instructions. Complex, multi-step tasks may still require human intervention to evaluate whether the success criteria were genuinely met. Note: haven't tested personally.

🔹 tool #claudecode #llm #ai_coding #prompt_engineering

🔗 Source: https://github.com/multica-ai/andrej-karpathy-skills/blob/main/CLAUDE.md

И треснул мир напополам: как в США и Китае развили две инженерные школы графического GenAI

Генерация изображений в последнее время заметно продвинулась и справляется даже с тонкими задачами на высоком уровне. За последние два года я с базовыми знаниями в дизайне оформлял книги, готовил иллюстрации для статей, собирал презентации и решал графические задачи в коммерческих проектах — и вынес из этого одно: универсальной модели не существует. Каждая архитектура сильна в своей нише, а выбор инструмента стал такой же частью работы, как и сам промпт. Работая с Midjourney, DALL-E 3, FLUX, Hunyuan-DiT, Wanxiang и Seedream, я заметил: один и тот же запрос в разных системах давал принципиально разные результаты — и дело было не в стилистике. Одни модели буквально расставляли объекты по местам, как в инструкции. Другие могли проигнорировать часть описания, зато выдавали плотность деталей и сложность ракурсов, недоступную первым. Сначала я списывал это на языковой барьер — казалось, что западные и китайские системы по-разному интерпретируют запрос. Но список причин быстро расширился: датасеты, токенизаторы, глубина текстовых энкодеров. Каждая деталь что-то объясняла, но общей картины не давала. За различиями стояло нечто большее — две инженерные школы, изначально оптимизировавшие разные ресурсы, а сейчас движущиеся к конвергенции. Тут я вспомнил старый плакат из дизайн-студии нулевых: «Быстро. Дешево. Качественно. Выберите любые два». Раньше это звучало как шутка, теперь — как точное описание логики развития сложных систем. Эта статья — попытка понять сложившуюся экономику моделей через их историю: разобрать ключевые развилки последних лет, заглянуть под капот графических движков и понять, в какие ниши сегодня выстраивается конвергенция технологий.

https://habr.com/ru/companies/ru_mts/articles/1059578/

#генерация_изображений #искусственный_интеллект #диффузионные_модели #Midjourney #FLUX #DALLE_3 #Stable_Diffusion #ControlNet #Prompt_Engineering #ComfyUI

И треснул мир напополам: как в США и Китае развили две инженерные школы графического GenAI

Генерация изображений в последнее время заметно продвинулась и справляется даже с тонкими задачами на высоком уровне. За последние два года я с базовыми знаниями в дизайне оформлял книги, готовил иллюстрации для статей, собирал презентации и решал графические задачи в коммерческих проектах — и вынес из этого одно: универсальной модели не существует. Каждая архитектура сильна в своей нише, а выбор инструмента стал такой же частью работы, как и сам промпт. Работая с Midjourney, DALL-E 3, FLUX, Hunyuan-DiT, Wanxiang и Seedream, я заметил: один и тот же запрос в разных системах давал принципиально разные результаты — и дело было не в стилистике. Одни модели буквально расставляли объекты по местам, как в инструкции. Другие могли проигнорировать часть описания, зато выдавали плотность деталей и сложность ракурсов, недоступную первым. Сначала я списывал это на языковой барьер — казалось, что западные и китайские системы по-разному интерпретируют запрос. Но список причин быстро расширился: датасеты, токенизаторы, глубина текстовых энкодеров. Каждая деталь что-то объясняла, но общей картины не давала. За различиями стояло нечто большее — две инженерные школы, изначально оптимизировавшие разные ресурсы, а сейчас движущиеся к конвергенции. Тут я вспомнил старый плакат из дизайн-студии нулевых: «Быстро. Дешево. Качественно. Выберите любые два». Раньше это звучало как шутка, теперь — как точное описание логики развития сложных систем. Эта статья — попытка понять сложившуюся экономику моделей через их историю: разобрать ключевые развилки последних лет, заглянуть под капот графических движков и понять, в какие ниши сегодня выстраивается конвергенция технологий.

https://habr.com/ru/companies/ru_mts/articles/1059578/

#генерация_изображений #искусственный_интеллект #диффузионные_модели #Midjourney #FLUX #DALLE_3 #Stable_Diffusion #ControlNet #Prompt_Engineering #ComfyUI

И треснул мир напополам: как в США и Китае развили две инженерные школы графического GenAI

Генерация изображений в последнее время заметно продвинулась и справляется даже с тонкими задачами на высоком уровне. За последние два года я с базовыми знаниями в дизайне оформлял книги, готовил иллюстрации для статей, собирал презентации и решал графические задачи в коммерческих проектах — и вынес из этого одно: универсальной модели не существует. Каждая архитектура сильна в своей нише, а выбор инструмента стал такой же частью работы, как и сам промпт. Работая с Midjourney, DALL-E 3, FLUX, Hunyuan-DiT, Wanxiang и Seedream, я заметил: один и тот же запрос в разных системах давал принципиально разные результаты — и дело было не в стилистике. Одни модели буквально расставляли объекты по местам, как в инструкции. Другие могли проигнорировать часть описания, зато выдавали плотность деталей и сложность ракурсов, недоступную первым. Сначала я списывал это на языковой барьер — казалось, что западные и китайские системы по-разному интерпретируют запрос. Но список причин быстро расширился: датасеты, токенизаторы, глубина текстовых энкодеров. Каждая деталь что-то объясняла, но общей картины не давала. За различиями стояло нечто большее — две инженерные школы, изначально оптимизировавшие разные ресурсы, а сейчас движущиеся к конвергенции. Тут я вспомнил старый плакат из дизайн-студии нулевых: «Быстро. Дешево. Качественно. Выберите любые два». Раньше это звучало как шутка, теперь — как точное описание логики развития сложных систем. Эта статья — попытка понять сложившуюся экономику моделей через их историю: разобрать ключевые развилки последних лет, заглянуть под капот графических движков и понять, в какие ниши сегодня выстраивается конвергенция технологий.

https://habr.com/ru/companies/ru_mts/articles/1059578/

#генерация_изображений #искусственный_интеллект #диффузионные_модели #Midjourney #FLUX #DALLE_3 #Stable_Diffusion #ControlNet #Prompt_Engineering #ComfyUI

Вы не внедрили AI. Вы завели кладбище промптов

У LLM-наработок есть неприятное свойство: они быстро появляются и так же быстро превращаются в локальный фольклор. Где-то в чате лежит удачный промпт. Где-то в папке - правила для агента. Кто-то однажды разобрал сложную миграцию, но через месяц следующий коллега, а иногда и ты сам, снова проходит почти тот же путь. Сначала это кажется нормальным: есть опыт, есть люди, можно спросить. Но чем больше проектов, команд и IDE, тем хуже работает схема "помнить, где лежит". В какой-то момент важен уже не сам промпт, а то, можно ли превратить найденное решение в повторяемый процесс. Эта статья как раз про этот переход: от разовых LLM-находок к skills, agents и инструменту, который помогает доставлять их до команды.

https://habr.com/ru/articles/1057676/

#llm #ai #prompt_engineering #ide #cursor #codex #claude_code #skills #git #developer_tools

Вы не внедрили AI. Вы завели кладбище промптов

У LLM-наработок есть неприятное свойство: они быстро появляются и так же быстро превращаются в локальный фольклор. Где-то в чате лежит удачный промпт. Где-то в папке - правила для агента. Кто-то однажды разобрал сложную миграцию, но через месяц следующий коллега, а иногда и ты сам, снова проходит почти тот же путь. Сначала это кажется нормальным: есть опыт, есть люди, можно спросить. Но чем больше проектов, команд и IDE, тем хуже работает схема "помнить, где лежит". В какой-то момент важен уже не сам промпт, а то, можно ли превратить найденное решение в повторяемый процесс. Эта статья как раз про этот переход: от разовых LLM-находок к skills, agents и инструменту, который помогает доставлять их до команды.

https://habr.com/ru/articles/1057676/

#llm #ai #prompt_engineering #ide #cursor #codex #claude_code #skills #git #developer_tools

Вы не внедрили AI. Вы завели кладбище промптов

У LLM-наработок есть неприятное свойство: они быстро появляются и так же быстро превращаются в локальный фольклор. Где-то в чате лежит удачный промпт. Где-то в папке - правила для агента. Кто-то однажды разобрал сложную миграцию, но через месяц следующий коллега, а иногда и ты сам, снова проходит почти тот же путь. Сначала это кажется нормальным: есть опыт, есть люди, можно спросить. Но чем больше проектов, команд и IDE, тем хуже работает схема "помнить, где лежит". В какой-то момент важен уже не сам промпт, а то, можно ли превратить найденное решение в повторяемый процесс. Эта статья как раз про этот переход: от разовых LLM-находок к skills, agents и инструменту, который помогает доставлять их до команды.

https://habr.com/ru/articles/1057676/

#llm #ai #prompt_engineering #ide #cursor #codex #claude_code #skills #git #developer_tools

От промптов к циклам: как давать AI‑агенту проверяемые задачи

В работе с AI‑кодерами постепенно меняется формат задачи. Одного промпта часто недостаточно: агенту нужно не только выполнить разовую команду, но и повторять действия до понятного результата. Например: проверить CI, прочитать лог, внести минимальное исправление, снова запустить тест, остановиться при выполнении условий. Поводом для этой статьи стала заметка Anthropic « Getting started with loops » про циклы (loops) в Claude Code. Там термин«цикл» описывается как повторяющаяся работа агента до выполнения условия остановки. Практический смысл такой: если задача состоит из нескольких повторяемых шагов, человеку не нужно каждый раз вручную читать вывод агента, запускать проверку, копировать ошибку обратно в чат и писать следующую команду. Эту процедуру можно описать заранее.

https://habr.com/ru/articles/1057152/

#Claude_Code #LLM #AIагенты #AI_coding #DevOps #code_review #GitHub #prompt_engineering

От промптов к циклам: как давать AI‑агенту проверяемые задачи

В работе с AI‑кодерами постепенно меняется формат задачи. Одного промпта часто недостаточно: агенту нужно не только выполнить разовую команду, но и повторять действия до понятного результата. Например: проверить CI, прочитать лог, внести минимальное исправление, снова запустить тест, остановиться при выполнении условий. Поводом для этой статьи стала заметка Anthropic « Getting started with loops » про циклы (loops) в Claude Code. Там термин«цикл» описывается как повторяющаяся работа агента до выполнения условия остановки. Практический смысл такой: если задача состоит из нескольких повторяемых шагов, человеку не нужно каждый раз вручную читать вывод агента, запускать проверку, копировать ошибку обратно в чат и писать следующую команду. Эту процедуру можно описать заранее.

https://habr.com/ru/articles/1057152/

#Claude_Code #LLM #AIагенты #AI_coding #DevOps #code_review #GitHub #prompt_engineering

От промптов к циклам: как давать AI‑агенту проверяемые задачи

В работе с AI‑кодерами постепенно меняется формат задачи. Одного промпта часто недостаточно: агенту нужно не только выполнить разовую команду, но и повторять действия до понятного результата. Например: проверить CI, прочитать лог, внести минимальное исправление, снова запустить тест, остановиться при выполнении условий. Поводом для этой статьи стала заметка Anthropic « Getting started with loops » про циклы (loops) в Claude Code. Там термин«цикл» описывается как повторяющаяся работа агента до выполнения условия остановки. Практический смысл такой: если задача состоит из нескольких повторяемых шагов, человеку не нужно каждый раз вручную читать вывод агента, запускать проверку, копировать ошибку обратно в чат и писать следующую команду. Эту процедуру можно описать заранее.

https://habr.com/ru/articles/1057152/

#Claude_Code #LLM #AIагенты #AI_coding #DevOps #code_review #GitHub #prompt_engineering

Мы меняли LLM и промпты, а ошибка оказалась совсем в другом месте

Это бонусный материл в серии о внедрении LLM в клиентские сервисы. Если в прошлых трех статьях я подробно разбирал удачные моменты, архитектуру и правильные шаги, то этот текст решил целиком посвятить разбору наших ошибок и факапов. Сейчас – менее красивая часть и реальный опыт PM: что происходит после демо, когда AI-пилот пытаются превратить в промышленную систему и команда сталкивается со скрытыми техническими проблемами. На демо всё выглядело почти идеально. Бот отвечал живо, бизнес видел прогресс, команда сравнивала модели и крутила промпты. Потом пришли реальные пользователи, реальные данные и реальные ограничения. И выяснилось неприятное: мы лечили не то. В какой-то момент команда уже всерьёз обсуждала замену модели. Казалось, что проблема в качестве генерации: ответы были уверенные, но иногда неверные. После разбора логов оказалось, что в части диалогов LLM вообще не должна была отвечать. Routing отправлял пользователя в ветку answer, хотя API возвращал partial, а сценарий должен был уходить в handoff. Самые дорогие ошибки жили не в LLM. Они жили в routing, API, handoff, базе знаний, метриках и compliance-слое. Модель просто красиво озвучивала проблемы, которые система создала раньше. Перелом случился, когда мы перестали спрашивать: «Почему LLM ответила неправильно?» – и начали спрашивать иначе: «Почему система вообще поставила модель в ситуацию, где правильного ответа у неё быть не могло?» Вывод неприятный, но полезный: сильная LLM не компенсирует слабую архитектуру. Если у системы нет нормального routing, владельца knowledge base и понятного handoff, сравнение моделей часто становится дорогим отвлекающим манёвром.

https://habr.com/ru/companies/svoi_ru/articles/1056376/

#llm #ai_architecture #handoff #Knowledge_Base #AI_in_Fintech #rag #prompt_engineering #routing #api #enterprise_ai

Мы меняли LLM и промпты, а ошибка оказалась совсем в другом месте

Это бонусный материл в серии о внедрении LLM в клиентские сервисы. Если в прошлых трех статьях я подробно разбирал удачные моменты, архитектуру и правильные шаги, то этот текст решил целиком посвятить разбору наших ошибок и факапов. Сейчас – менее красивая часть и реальный опыт PM: что происходит после демо, когда AI-пилот пытаются превратить в промышленную систему и команда сталкивается со скрытыми техническими проблемами. На демо всё выглядело почти идеально. Бот отвечал живо, бизнес видел прогресс, команда сравнивала модели и крутила промпты. Потом пришли реальные пользователи, реальные данные и реальные ограничения. И выяснилось неприятное: мы лечили не то. В какой-то момент команда уже всерьёз обсуждала замену модели. Казалось, что проблема в качестве генерации: ответы были уверенные, но иногда неверные. После разбора логов оказалось, что в части диалогов LLM вообще не должна была отвечать. Routing отправлял пользователя в ветку answer, хотя API возвращал partial, а сценарий должен был уходить в handoff. Самые дорогие ошибки жили не в LLM. Они жили в routing, API, handoff, базе знаний, метриках и compliance-слое. Модель просто красиво озвучивала проблемы, которые система создала раньше. Перелом случился, когда мы перестали спрашивать: «Почему LLM ответила неправильно?» – и начали спрашивать иначе: «Почему система вообще поставила модель в ситуацию, где правильного ответа у неё быть не могло?» Вывод неприятный, но полезный: сильная LLM не компенсирует слабую архитектуру. Если у системы нет нормального routing, владельца knowledge base и понятного handoff, сравнение моделей часто становится дорогим отвлекающим манёвром.

https://habr.com/ru/companies/svoi_ru/articles/1056376/

#llm #ai_architecture #handoff #Knowledge_Base #AI_in_Fintech #rag #prompt_engineering #routing #api #enterprise_ai

Мы меняли LLM и промпты, а ошибка оказалась совсем в другом месте

Это бонусный материл в серии о внедрении LLM в клиентские сервисы. Если в прошлых трех статьях я подробно разбирал удачные моменты, архитектуру и правильные шаги, то этот текст решил целиком посвятить разбору наших ошибок и факапов. Сейчас – менее красивая часть и реальный опыт PM: что происходит после демо, когда AI-пилот пытаются превратить в промышленную систему и команда сталкивается со скрытыми техническими проблемами. На демо всё выглядело почти идеально. Бот отвечал живо, бизнес видел прогресс, команда сравнивала модели и крутила промпты. Потом пришли реальные пользователи, реальные данные и реальные ограничения. И выяснилось неприятное: мы лечили не то. В какой-то момент команда уже всерьёз обсуждала замену модели. Казалось, что проблема в качестве генерации: ответы были уверенные, но иногда неверные. После разбора логов оказалось, что в части диалогов LLM вообще не должна была отвечать. Routing отправлял пользователя в ветку answer, хотя API возвращал partial, а сценарий должен был уходить в handoff. Самые дорогие ошибки жили не в LLM. Они жили в routing, API, handoff, базе знаний, метриках и compliance-слое. Модель просто красиво озвучивала проблемы, которые система создала раньше. Перелом случился, когда мы перестали спрашивать: «Почему LLM ответила неправильно?» – и начали спрашивать иначе: «Почему система вообще поставила модель в ситуацию, где правильного ответа у неё быть не могло?» Вывод неприятный, но полезный: сильная LLM не компенсирует слабую архитектуру. Если у системы нет нормального routing, владельца knowledge base и понятного handoff, сравнение моделей часто становится дорогим отвлекающим манёвром.

https://habr.com/ru/companies/svoi_ru/articles/1056376/

#llm #ai_architecture #handoff #Knowledge_Base #AI_in_Fintech #rag #prompt_engineering #routing #api #enterprise_ai

Я больше не объясняю нейросети контекст. Вот что я сделал вместо этого…

Я попробовал собрать LLM Wiki: workflow, где нейросеть не просто отвечает на вопросы по документам, а постепенно поддерживает базу знаний. Взял Obsidian, Codex и несколько статей с Хабра, сделал ingest, query и lint, а затем посмотрел, чем такой подход отличается от обычного RAG. В статье показываю структуру vault, примеры wiki-слоя, стоимость ingest на Yandex Foundation Models и риски, которые быстро всплывают на практике.

https://habr.com/ru/companies/raft/articles/1054050/

#llm #rag #ai_agents #obsidian #prompt_engineering #yandexgpt

Я больше не объясняю нейросети контекст. Вот что я сделал вместо этого…

Я попробовал собрать LLM Wiki: workflow, где нейросеть не просто отвечает на вопросы по документам, а постепенно поддерживает базу знаний. Взял Obsidian, Codex и несколько статей с Хабра, сделал ingest, query и lint, а затем посмотрел, чем такой подход отличается от обычного RAG. В статье показываю структуру vault, примеры wiki-слоя, стоимость ingest на Yandex Foundation Models и риски, которые быстро всплывают на практике.

https://habr.com/ru/companies/raft/articles/1054050/

#llm #rag #ai_agents #obsidian #prompt_engineering #yandexgpt

Я больше не объясняю нейросети контекст. Вот что я сделал вместо этого…

Я попробовал собрать LLM Wiki: workflow, где нейросеть не просто отвечает на вопросы по документам, а постепенно поддерживает базу знаний. Взял Obsidian, Codex и несколько статей с Хабра, сделал ingest, query и lint, а затем посмотрел, чем такой подход отличается от обычного RAG. В статье показываю структуру vault, примеры wiki-слоя, стоимость ingest на Yandex Foundation Models и риски, которые быстро всплывают на практике.

https://habr.com/ru/companies/raft/articles/1054050/

#llm #rag #ai_agents #obsidian #prompt_engineering #yandexgpt

Как желание быстрее читать чужой код превратилось в войну с недетерминизмом LLM

Началось всё примерно так. Я сидел над своим проектом: пока работал, общался по нему с нейросетками и параллельно искал в интернете разную информацию, которая могла бы пригодиться. И вот тогда у меня впервые начала закладываться мысль, что я хотел бы читать код быстрее. Что мне не нравится, сколько времени на это уходит. Позже эта мысль разгорелась сильнее — когда я взялся перечитывать собственный код двухмесячной давности. Я понимаю, что в нём всё нормально, но всё равно хотелось бы вчитываться быстрее. Примерно в это время и появилась первая идея проекта, о котором пойдёт речь в статье. Это была одна из первых вещей, которая дала толчок. Вторая — то, что мне приходилось тратить время, объясняя друзьям, как устроен мой код. Мне не нравилось, что я говорю отрывками, зависаю, не могу связать пары слов. Короче, тяжело донести мысль: сам прекрасно знаю, как оно работает, а нормально, быстро и чётко объяснить не могу. Из этих двух проблем и вырос тренажёр, который я сейчас делаю: где ты не пишешь код, а читаешь готовый рабочий фрагмент и объясняешь его словами, а оценивает объяснение языковая модель. Звучит на самом деле очень просто, но реализовать это оказалось трудно. Самым тяжёлым оказалось совсем не это, а заставить нейросеть оценивать честно и стабильно — и вообще понять, что именно нужно оценивать.

https://habr.com/ru/articles/1052822/

#LLM #prompt_engineering #детерминизм #Java #оценка_кода #обучение_программированию #Gemini_API #prompt_injection #pet_project #NLP

Как желание быстрее читать чужой код превратилось в войну с недетерминизмом LLM

Началось всё примерно так. Я сидел над своим проектом: пока работал, общался по нему с нейросетками и параллельно искал в интернете разную информацию, которая могла бы пригодиться. И вот тогда у меня впервые начала закладываться мысль, что я хотел бы читать код быстрее. Что мне не нравится, сколько времени на это уходит. Позже эта мысль разгорелась сильнее — когда я взялся перечитывать собственный код двухмесячной давности. Я понимаю, что в нём всё нормально, но всё равно хотелось бы вчитываться быстрее. Примерно в это время и появилась первая идея проекта, о котором пойдёт речь в статье. Это была одна из первых вещей, которая дала толчок. Вторая — то, что мне приходилось тратить время, объясняя друзьям, как устроен мой код. Мне не нравилось, что я говорю отрывками, зависаю, не могу связать пары слов. Короче, тяжело донести мысль: сам прекрасно знаю, как оно работает, а нормально, быстро и чётко объяснить не могу. Из этих двух проблем и вырос тренажёр, который я сейчас делаю: где ты не пишешь код, а читаешь готовый рабочий фрагмент и объясняешь его словами, а оценивает объяснение языковая модель. Звучит на самом деле очень просто, но реализовать это оказалось трудно. Самым тяжёлым оказалось совсем не это, а заставить нейросеть оценивать честно и стабильно — и вообще понять, что именно нужно оценивать.

https://habr.com/ru/articles/1052822/

#LLM #prompt_engineering #детерминизм #Java #оценка_кода #обучение_программированию #Gemini_API #prompt_injection #pet_project #NLP

Как желание быстрее читать чужой код превратилось в войну с недетерминизмом LLM

Началось всё примерно так. Я сидел над своим проектом: пока работал, общался по нему с нейросетками и параллельно искал в интернете разную информацию, которая могла бы пригодиться. И вот тогда у меня впервые начала закладываться мысль, что я хотел бы читать код быстрее. Что мне не нравится, сколько времени на это уходит. Позже эта мысль разгорелась сильнее — когда я взялся перечитывать собственный код двухмесячной давности. Я понимаю, что в нём всё нормально, но всё равно хотелось бы вчитываться быстрее. Примерно в это время и появилась первая идея проекта, о котором пойдёт речь в статье. Это была одна из первых вещей, которая дала толчок. Вторая — то, что мне приходилось тратить время, объясняя друзьям, как устроен мой код. Мне не нравилось, что я говорю отрывками, зависаю, не могу связать пары слов. Короче, тяжело донести мысль: сам прекрасно знаю, как оно работает, а нормально, быстро и чётко объяснить не могу. Из этих двух проблем и вырос тренажёр, который я сейчас делаю: где ты не пишешь код, а читаешь готовый рабочий фрагмент и объясняешь его словами, а оценивает объяснение языковая модель. Звучит на самом деле очень просто, но реализовать это оказалось трудно. Самым тяжёлым оказалось совсем не это, а заставить нейросеть оценивать честно и стабильно — и вообще понять, что именно нужно оценивать.

https://habr.com/ru/articles/1052822/

#LLM #prompt_engineering #детерминизм #Java #оценка_кода #обучение_программированию #Gemini_API #prompt_injection #pet_project #NLP

[Перевод] Loop Engineering: 14 шагов от промптера до архитектора систем

Два года работа c AI-агентами для написания кода выглядели одинаково: написать промпт, передать контекст, прочитать дифф, написать следующий промпт. Агент был инструментом, человек держал его за руку от начала до конца. Эта схема устаревает. Loop Engineering: сборка небольшой системы, которая сама находит задачу, передаёт её агенту, проверяет результат, фиксирует, что произошло, и решает, что делать дальше. Систему проектируют один раз, дальше она сама промптит агента. Материал собран из инженерной документации Anthropic, эссе Эдди Османи (Addy Osmani) о loop engineering и недавних замеров продуктивности.

https://habr.com/ru/articles/1051834/

#loop_engineering #AIагенты #Claude_Code #Codex #MCP #автоматизация_разработки #prompt_engineering #subагенты #security

[Перевод] Loop Engineering: 14 шагов от промптера до архитектора систем

Два года работа c AI-агентами для написания кода выглядели одинаково: написать промпт, передать контекст, прочитать дифф, написать следующий промпт. Агент был инструментом, человек держал его за руку от начала до конца. Эта схема устаревает. Loop Engineering: сборка небольшой системы, которая сама находит задачу, передаёт её агенту, проверяет результат, фиксирует, что произошло, и решает, что делать дальше. Систему проектируют один раз, дальше она сама промптит агента. Материал собран из инженерной документации Anthropic, эссе Эдди Османи (Addy Osmani) о loop engineering и недавних замеров продуктивности.

https://habr.com/ru/articles/1051834/

#loop_engineering #AIагенты #Claude_Code #Codex #MCP #автоматизация_разработки #prompt_engineering #subагенты #security

[Перевод] Loop Engineering: 14 шагов от промптера до архитектора систем

Два года работа c AI-агентами для написания кода выглядели одинаково: написать промпт, передать контекст, прочитать дифф, написать следующий промпт. Агент был инструментом, человек держал его за руку от начала до конца. Эта схема устаревает. Loop Engineering: сборка небольшой системы, которая сама находит задачу, передаёт её агенту, проверяет результат, фиксирует, что произошло, и решает, что делать дальше. Систему проектируют один раз, дальше она сама промптит агента. Материал собран из инженерной документации Anthropic, эссе Эдди Османи (Addy Osmani) о loop engineering и недавних замеров продуктивности.

https://habr.com/ru/articles/1051834/

#loop_engineering #AIагенты #Claude_Code #Codex #MCP #автоматизация_разработки #prompt_engineering #subагенты #security

RE: https://christine-seeman.com/prompt-engineering-prime-day/

Did I use prompt engineering to make sure my prime day deals were actual deals? Yep! Actually ended up with not prime day deals in some cases because the deals just weren't actually that good, and the prompts helped me figure that out. Ended up with an Adias backpack for the kiddo over High Sierra, so 🤞that actually lasts a full school year

#prompt_engineering #prompt #primeday

RE: https://christine-seeman.com/prompt-engineering-prime-day/

Did I use prompt engineering to make sure my prime day deals were actual deals? Yep! Actually ended up with not prime day deals in some cases because the deals just weren't actually that good, and the prompts helped me figure that out. Ended up with an Adias backpack for the kiddo over High Sierra, so 🤞that actually lasts a full school year

#prompt_engineering #prompt #primeday

RE: https://christine-seeman.com/prompt-engineering-prime-day/

Did I use prompt engineering to make sure my prime day deals were actual deals? Yep! Actually ended up with not prime day deals in some cases because the deals just weren't actually that good, and the prompts helped me figure that out. Ended up with an Adias backpack for the kiddo over High Sierra, so 🤞that actually lasts a full school year

#prompt_engineering #prompt #primeday

RE: https://christine-seeman.com/prompt-engineering-prime-day/

Did I use prompt engineering to make sure my prime day deals were actual deals? Yep! Actually ended up with not prime day deals in some cases because the deals just weren't actually that good, and the prompts helped me figure that out. Ended up with an Adias backpack for the kiddo over High Sierra, so 🤞that actually lasts a full school year

#prompt_engineering #prompt #primeday

RE: https://christine-seeman.com/prompt-engineering-prime-day/

Did I use prompt engineering to make sure my prime day deals were actual deals? Yep! Actually ended up with not prime day deals in some cases because the deals just weren't actually that good, and the prompts helped me figure that out. Ended up with an Adias backpack for the kiddo over High Sierra, so 🤞that actually lasts a full school year

#prompt_engineering #prompt #primeday

Как я сделал генератор палитр на Node.js + DeepSeek за два вечера — и что из этого вышло

Как-то вечером я поймал себя на том, что трачу по 20 минут на поиск цветовой палитры для каждого нового проекта. Coolors, Adobe Color, случайные пины в Pinterest — и всё равно ощущение «не то». Тогда я задал себе вопрос: а что если вместо колеса оттенков начинать со слова ? «Рассвет», «шторм», «лакшери» — у каждого слова есть интуитивный цвет. Так появился Колорит — инструмент, который превращает слово или фотографию в цветовую палитру с помощью ИИ. В этой статье расскажу про технические решения, prompt engineering для DeepSeek и пару неочевидных браузерных API.

https://habr.com/ru/articles/1050734/

#Nodejs #JavaScript #DeepSeek #Canvas_API #AI #Дизайн #Вебразработка #Инструменты_разработчика #Prompt_Engineering #Open_Source

Как я сделал генератор палитр на Node.js + DeepSeek за два вечера — и что из этого вышло

Как-то вечером я поймал себя на том, что трачу по 20 минут на поиск цветовой палитры для каждого нового проекта. Coolors, Adobe Color, случайные пины в Pinterest — и всё равно ощущение «не то». Тогда я задал себе вопрос: а что если вместо колеса оттенков начинать со слова ? «Рассвет», «шторм», «лакшери» — у каждого слова есть интуитивный цвет. Так появился Колорит — инструмент, который превращает слово или фотографию в цветовую палитру с помощью ИИ. В этой статье расскажу про технические решения, prompt engineering для DeepSeek и пару неочевидных браузерных API.

https://habr.com/ru/articles/1050734/

#Nodejs #JavaScript #DeepSeek #Canvas_API #AI #Дизайн #Вебразработка #Инструменты_разработчика #Prompt_Engineering #Open_Source

Как я сделал генератор палитр на Node.js + DeepSeek за два вечера — и что из этого вышло

Как-то вечером я поймал себя на том, что трачу по 20 минут на поиск цветовой палитры для каждого нового проекта. Coolors, Adobe Color, случайные пины в Pinterest — и всё равно ощущение «не то». Тогда я задал себе вопрос: а что если вместо колеса оттенков начинать со слова ? «Рассвет», «шторм», «лакшери» — у каждого слова есть интуитивный цвет. Так появился Колорит — инструмент, который превращает слово или фотографию в цветовую палитру с помощью ИИ. В этой статье расскажу про технические решения, prompt engineering для DeepSeek и пару неочевидных браузерных API.

https://habr.com/ru/articles/1050734/

#Nodejs #JavaScript #DeepSeek #Canvas_API #AI #Дизайн #Вебразработка #Инструменты_разработчика #Prompt_Engineering #Open_Source

[Перевод] Почему промпты для VLM работают наоборот: как это исправить

Недавно я пытался выжать максимум из корпоративной OCR-модели, перебирая промпты и гиперпараметры, когда наткнулся на issue в репозитории Qwen-3-VL. Автор утверждал, что точность задачи выросла просто от изменения порядка: сначала изображение, потом текст. Просто перестановка блоков.

https://habr.com/ru/articles/1049176/

#prompt_engineering #vlm #ocr #Qween #Gemma #Positional_Encoding

[Перевод] Почему промпты для VLM работают наоборот: как это исправить

Недавно я пытался выжать максимум из корпоративной OCR-модели, перебирая промпты и гиперпараметры, когда наткнулся на issue в репозитории Qwen-3-VL. Автор утверждал, что точность задачи выросла просто от изменения порядка: сначала изображение, потом текст. Просто перестановка блоков.

https://habr.com/ru/articles/1049176/

#prompt_engineering #vlm #ocr #Qween #Gemma #Positional_Encoding

[Перевод] Почему промпты для VLM работают наоборот: как это исправить

Недавно я пытался выжать максимум из корпоративной OCR-модели, перебирая промпты и гиперпараметры, когда наткнулся на issue в репозитории Qwen-3-VL. Автор утверждал, что точность задачи выросла просто от изменения порядка: сначала изображение, потом текст. Просто перестановка блоков.

https://habr.com/ru/articles/1049176/

#prompt_engineering #vlm #ocr #Qween #Gemma #Positional_Encoding

Гайды Anthropic для Fable 5 и Opus 4.8 советуют противоположное, у OpenAI — третий путь. Что менять в промптах

Когда вышел Claude Fable 5, я его подключил — и он мне не понравился. Модель объективно сильнее Opus 4.8, а работать с ней было хуже: в одном ране агент сжёг 200 тысяч токенов за полтора часа. Я грешил на модель, пока не открыл гайд Anthropic по промптингу конкретно этой модели. Переписал промпты — и Fable заработал. Оказалось, у Anthropic теперь отдельные гайды под каждую модель, и советы в них местами противоположные: Opus надо подталкивать к субагентам — Fable сдерживать. А инструкция «объясни ход рассуждений», которая годами жила в моих скиллах, на Fable 5 стала триггерить отказы. В статье: где сходятся и расходятся официальные позиции Anthropic и OpenAI, таблица противоположных советов для Fable 5 и Opus 4.8, что об этом думает сообщество и как я живу с тремя коллекциями промптов.

https://habr.com/ru/articles/1048714/

#prompt_engineering #Claude #GPT #LLM #Anthropic #OpenAI #AIагенты

Гайды Anthropic для Fable 5 и Opus 4.8 советуют противоположное, у OpenAI — третий путь. Что менять в промптах

Когда вышел Claude Fable 5, я его подключил — и он мне не понравился. Модель объективно сильнее Opus 4.8, а работать с ней было хуже: в одном ране агент сжёг 200 тысяч токенов за полтора часа. Я грешил на модель, пока не открыл гайд Anthropic по промптингу конкретно этой модели. Переписал промпты — и Fable заработал. Оказалось, у Anthropic теперь отдельные гайды под каждую модель, и советы в них местами противоположные: Opus надо подталкивать к субагентам — Fable сдерживать. А инструкция «объясни ход рассуждений», которая годами жила в моих скиллах, на Fable 5 стала триггерить отказы. В статье: где сходятся и расходятся официальные позиции Anthropic и OpenAI, таблица противоположных советов для Fable 5 и Opus 4.8, что об этом думает сообщество и как я живу с тремя коллекциями промптов.

https://habr.com/ru/articles/1048714/

#prompt_engineering #Claude #GPT #LLM #Anthropic #OpenAI #AIагенты

Гайды Anthropic для Fable 5 и Opus 4.8 советуют противоположное, у OpenAI — третий путь. Что менять в промптах

Когда вышел Claude Fable 5, я его подключил — и он мне не понравился. Модель объективно сильнее Opus 4.8, а работать с ней было хуже: в одном ране агент сжёг 200 тысяч токенов за полтора часа. Я грешил на модель, пока не открыл гайд Anthropic по промптингу конкретно этой модели. Переписал промпты — и Fable заработал. Оказалось, у Anthropic теперь отдельные гайды под каждую модель, и советы в них местами противоположные: Opus надо подталкивать к субагентам — Fable сдерживать. А инструкция «объясни ход рассуждений», которая годами жила в моих скиллах, на Fable 5 стала триггерить отказы. В статье: где сходятся и расходятся официальные позиции Anthropic и OpenAI, таблица противоположных советов для Fable 5 и Opus 4.8, что об этом думает сообщество и как я живу с тремя коллекциями промптов.

https://habr.com/ru/articles/1048714/

#prompt_engineering #Claude #GPT #LLM #Anthropic #OpenAI #AIагенты

Почему ИТ превращается в гуманитарную науку

ИТ-индустрия тридцать лет последовательно теряла один конкретный навык — умение формулировать намерение, а не алгоритм (т. е. умение говорить «что нужно получить», а не «как это вычислить»). Зачем он был нужен, если компилятор не обижается на формулировку? База данных не читает между строк — она возвращает именно то, что у нее спросили. API ведет себя так же: никакого контекста, никакой интерпретации, только буква документации. Машина не нуждалась в том, чтобы ее понимали, — достаточно было правильно ее инструктировать. Исследования фиксировали этот сдвиг , но до поры индустрию это не особо беспокоило. А потом те же люди создали сущность с собственной логикой, скрытыми мотивами и агентным поведением — и обнаружили, что с ней нужно договариваться словами . Причем буквально: удерживать намерение, считывать, где модель соскользнула, и поправлять курс формулировкой, а не традиционным программированием. Правильный подход к такому диалогу обнаружился не в технической документации — и, похоже, искать стоило вообще не там. В литературе и гуманитарных науках этот подход давно описан людьми, которые профессионально работали с непредсказуемыми агентами задолго до LLM. В прошлой статье мы разбирали фольклорные паттерны — те самые структуры волшебной сказки, которые неожиданно точно описывают эффективное общение с моделями. Сегодня идем дальше: смотрим, что еще сказки знают о жизни с непредсказуемым помощником.

https://habr.com/ru/companies/ru_mts/articles/1045292/

#LLM #prompt_engineering #AI #искусственный_интеллект #когнитивные_навыки #soft_skills #агенты #фольклор #коммуникация #намерение

Почему ИТ превращается в гуманитарную науку

ИТ-индустрия тридцать лет последовательно теряла один конкретный навык — умение формулировать намерение, а не алгоритм (т. е. умение говорить «что нужно получить», а не «как это вычислить»). Зачем он был нужен, если компилятор не обижается на формулировку? База данных не читает между строк — она возвращает именно то, что у нее спросили. API ведет себя так же: никакого контекста, никакой интерпретации, только буква документации. Машина не нуждалась в том, чтобы ее понимали, — достаточно было правильно ее инструктировать. Исследования фиксировали этот сдвиг , но до поры индустрию это не особо беспокоило. А потом те же люди создали сущность с собственной логикой, скрытыми мотивами и агентным поведением — и обнаружили, что с ней нужно договариваться словами . Причем буквально: удерживать намерение, считывать, где модель соскользнула, и поправлять курс формулировкой, а не традиционным программированием. Правильный подход к такому диалогу обнаружился не в технической документации — и, похоже, искать стоило вообще не там. В литературе и гуманитарных науках этот подход давно описан людьми, которые профессионально работали с непредсказуемыми агентами задолго до LLM. В прошлой статье мы разбирали фольклорные паттерны — те самые структуры волшебной сказки, которые неожиданно точно описывают эффективное общение с моделями. Сегодня идем дальше: смотрим, что еще сказки знают о жизни с непредсказуемым помощником.

https://habr.com/ru/companies/ru_mts/articles/1045292/

#LLM #prompt_engineering #AI #искусственный_интеллект #когнитивные_навыки #soft_skills #агенты #фольклор #коммуникация #намерение

Почему ИТ превращается в гуманитарную науку

ИТ-индустрия тридцать лет последовательно теряла один конкретный навык — умение формулировать намерение, а не алгоритм (т. е. умение говорить «что нужно получить», а не «как это вычислить»). Зачем он был нужен, если компилятор не обижается на формулировку? База данных не читает между строк — она возвращает именно то, что у нее спросили. API ведет себя так же: никакого контекста, никакой интерпретации, только буква документации. Машина не нуждалась в том, чтобы ее понимали, — достаточно было правильно ее инструктировать. Исследования фиксировали этот сдвиг , но до поры индустрию это не особо беспокоило. А потом те же люди создали сущность с собственной логикой, скрытыми мотивами и агентным поведением — и обнаружили, что с ней нужно договариваться словами . Причем буквально: удерживать намерение, считывать, где модель соскользнула, и поправлять курс формулировкой, а не традиционным программированием. Правильный подход к такому диалогу обнаружился не в технической документации — и, похоже, искать стоило вообще не там. В литературе и гуманитарных науках этот подход давно описан людьми, которые профессионально работали с непредсказуемыми агентами задолго до LLM. В прошлой статье мы разбирали фольклорные паттерны — те самые структуры волшебной сказки, которые неожиданно точно описывают эффективное общение с моделями. Сегодня идем дальше: смотрим, что еще сказки знают о жизни с непредсказуемым помощником.

https://habr.com/ru/companies/ru_mts/articles/1045292/

#LLM #prompt_engineering #AI #искусственный_интеллект #когнитивные_навыки #soft_skills #агенты #фольклор #коммуникация #намерение

Гайды Anthropic для Fable 5 и Opus 4.8 советуют противоположное, у OpenAI — третий путь. Что менять в промптах

Когда вышел Claude Fable 5, я его подключил — и он мне не понравился. Модель объективно сильнее Opus 4.8, а работать с ней было хуже: в одном ране агент сжёг 200 тысяч токенов за полтора часа. Я грешил на модель, пока не открыл гайд Anthropic по промптингу конкретно этой модели. Переписал промпты — и Fable заработал. Оказалось, у Anthropic теперь отдельные гайды под каждую модель, и советы в них местами противоположные: Opus надо подталкивать к субагентам — Fable сдерживать. А инструкция «объясни ход рассуждений», которая годами жила в моих скиллах, на Fable 5 стала триггерить отказы. В статье: где сходятся и расходятся официальные позиции Anthropic и OpenAI, таблица противоположных советов для Fable 5 и Opus 4.8, что об этом думает сообщество и как я живу с тремя коллекциями промптов.

https://habr.com/ru/articles/1047778/

#prompt_engineering #Claude #GPT #LLM #Anthropic #OpenAI #AIагенты

Гайды Anthropic для Fable 5 и Opus 4.8 советуют противоположное, у OpenAI — третий путь. Что менять в промптах

Когда вышел Claude Fable 5, я его подключил — и он мне не понравился. Модель объективно сильнее Opus 4.8, а работать с ней было хуже: в одном ране агент сжёг 200 тысяч токенов за полтора часа. Я грешил на модель, пока не открыл гайд Anthropic по промптингу конкретно этой модели. Переписал промпты — и Fable заработал. Оказалось, у Anthropic теперь отдельные гайды под каждую модель, и советы в них местами противоположные: Opus надо подталкивать к субагентам — Fable сдерживать. А инструкция «объясни ход рассуждений», которая годами жила в моих скиллах, на Fable 5 стала триггерить отказы. В статье: где сходятся и расходятся официальные позиции Anthropic и OpenAI, таблица противоположных советов для Fable 5 и Opus 4.8, что об этом думает сообщество и как я живу с тремя коллекциями промптов.

https://habr.com/ru/articles/1047778/

#prompt_engineering #Claude #GPT #LLM #Anthropic #OpenAI #AIагенты

Гайды Anthropic для Fable 5 и Opus 4.8 советуют противоположное, у OpenAI — третий путь. Что менять в промптах

Когда вышел Claude Fable 5, я его подключил — и он мне не понравился. Модель объективно сильнее Opus 4.8, а работать с ней было хуже: в одном ране агент сжёг 200 тысяч токенов за полтора часа. Я грешил на модель, пока не открыл гайд Anthropic по промптингу конкретно этой модели. Переписал промпты — и Fable заработал. Оказалось, у Anthropic теперь отдельные гайды под каждую модель, и советы в них местами противоположные: Opus надо подталкивать к субагентам — Fable сдерживать. А инструкция «объясни ход рассуждений», которая годами жила в моих скиллах, на Fable 5 стала триггерить отказы. В статье: где сходятся и расходятся официальные позиции Anthropic и OpenAI, таблица противоположных советов для Fable 5 и Opus 4.8, что об этом думает сообщество и как я живу с тремя коллекциями промптов.

https://habr.com/ru/articles/1047778/

#prompt_engineering #Claude #GPT #LLM #Anthropic #OpenAI #AIагенты

Claude дал неправильную архитектуру. Настоящая ошибка была не в Claude

Один из моих крупных бизнес-проектов-бизнесов - разработка электроники и софта для БПЛА . Дошел до момента, когда на железе после MVP надо стало развернуть корректную воспроизводимую архитектуру деплоя . Конечно, я стал делать это Клодом. Для этого я попросил обнюхать весь проект. Для понимания: проект действительно многосторонний . Ubuntu Linux, патченное ядро и драйвера, радио, сеть, несколько ролей у устройства, пачка собственного софта и утилит. Claude прочитал документы, нашёл скрипты, конфиги, тесты и выдал вполне осмысленный план. Проблема была в том, что ...

https://habr.com/ru/articles/1046784/

#LLM #Claude_Code #архитектура_ПО #деплой #постановка_задачи #embedded_linux #бпла #devops #prompt_engineering

Claude дал неправильную архитектуру. Настоящая ошибка была не в Claude

Один из моих крупных бизнес-проектов-бизнесов - разработка электроники и софта для БПЛА . Дошел до момента, когда на железе после MVP надо стало развернуть корректную воспроизводимую архитектуру деплоя . Конечно, я стал делать это Клодом. Для этого я попросил обнюхать весь проект. Для понимания: проект действительно многосторонний . Ubuntu Linux, патченное ядро и драйвера, радио, сеть, несколько ролей у устройства, пачка собственного софта и утилит. Claude прочитал документы, нашёл скрипты, конфиги, тесты и выдал вполне осмысленный план. Проблема была в том, что ...

https://habr.com/ru/articles/1046784/

#LLM #Claude_Code #архитектура_ПО #деплой #постановка_задачи #embedded_linux #бпла #devops #prompt_engineering

Claude дал неправильную архитектуру. Настоящая ошибка была не в Claude

Один из моих крупных бизнес-проектов-бизнесов - разработка электроники и софта для БПЛА . Дошел до момента, когда на железе после MVP надо стало развернуть корректную воспроизводимую архитектуру деплоя . Конечно, я стал делать это Клодом. Для этого я попросил обнюхать весь проект. Для понимания: проект действительно многосторонний . Ubuntu Linux, патченное ядро и драйвера, радио, сеть, несколько ролей у устройства, пачка собственного софта и утилит. Claude прочитал документы, нашёл скрипты, конфиги, тесты и выдал вполне осмысленный план. Проблема была в том, что ...

https://habr.com/ru/articles/1046784/

#LLM #Claude_Code #архитектура_ПО #деплой #постановка_задачи #embedded_linux #бпла #devops #prompt_engineering