Anthropic удалили 80% системного промпта Claude Code. Вам тоже стоит писать меньше.

Q: Что такое прогрессивное раскрытие контекста?

Вместо загрузки всех инструкций сразу даёте агенту лёгкий индекс. Он выбирает, что релевантно, и загружает детали только по мере необходимости.

Anthropic удалили более 80% системного промпта Claude Code для Claude Opus 5 и Claude Fable 5. Без измеримых потерь на coding evaluations.

Модели Claude 5 достаточно умные — избыточный промптинг активно ухудшает результат.

Суть

Старые модели: узкое место — сама модель. Вы компенсировали её ограничения подробными инструкциями, ограничениями и примерами. Claude 5: узкое место — вы. Ваша способность сформулировать, чего вы хотите.

Системный промпт Anthropic содержал противоречащие друг другу инструкции: «оставляйте документацию по необходимости» и «НЕ добавляйте комментарии» в одном запросе. Модель вынуждена была разбирать эти противоречия перед любой полезной работой.

Что изменилось

Шесть паттернов, которые были необходимы для старых моделей, но теперь стали мифами для Claude 5.

graph LR
  subgraph old ["Старый подход"]
      A1["Давать правила"] --> A2["Давать примеры"]
      A2 --> A3["Всё сразу"]
      A3 --> A4["Повторять"]
      A4 --> A5["Ручная память"]
      A5 --> A6["Простые спеки"]
  end
  subgraph new ["Новый подход"]
      B1["Суждение модели"] --> B2["Интерфейсы"]
      B2 --> B3["Прогрессивное раскрытие"]
      B3 --> B4["Простые описания"]
      B4 --> B5["Авто-память"]
      B5 --> B6["Насыщенные референсы"]
  end
  A1 -.->|"заменяется"| B1
  A2 -.->|"заменяется"| B2
  A3 -.->|"заменяется"| B3
  A4 -.->|"заменяется"| B4
  A5 -.->|"заменяется"| B5
  A6 -.->|"заменяется"| B6

Правила → Суждение

Старый Claude Code: «Никогда не пишите многострочные docstrings — максимум одна короткая строка. Не создавайте планы, если пользователь не просит.»

Правило также запрещало Claude писать комментарии, когда пользователь их явно хотел.

Новый Claude Code: «Пишите код, который читается как окружающий: совпадайте по плотности комментариев, именованию и стилю.»

Примеры → Интерфейсы

Примеры ограничивают модель в конкретном пространстве поиска. Вместо этого проектируйте выразительные интерфейсы. Инструмент с параметром status, принимающим pending, in_progress и completed, уже говорит Claude, как его использовать.

Всё сразу → Прогрессивное раскрытие

Старый Claude Code загружал инструкции по code review и верификации в системный промпт — всегда, даже когда они были не нужны. Теперь это навыки, которые Claude загружает избирательно.

Не создавайте центральный репозиторий всего, что вам может понадобиться. Создайте дерево файлов, которые загружаются в нужный момент.

Повторение → Одна инструкция

Старые модели иногда игнорировали контент в начале длинного контекста. Claude 5 такой проблемы нет. Пишите инструкции в описании инструмента, а не в системном промпте.

Ручная память → Авто-память

Раньше советовали использовать # для сохранения в CLAUDE.md. Теперь Claude автоматически сохраняет релевантную информацию.

Простые спеки → Насыщенные референсы

Plan mode использовал markdown-файлы. Теперь Claude работает с HTML-артефактами, кодом на других языках, тест-сьютами как спеками и рубриками, кодирующими вкус.

Почему больше промпта вредит

Anthropic: «LLM имеют «бюджет внимания», который расходуется при обработке больших объёмов контекста. Каждый новый токен расходует этот бюджет.» Chroma оценила 18 LLM и обнаружила, что «производительность модели значительно изменяется при изменении длины входа, даже на простых задачах» — context rot.

ThoughtWorks Technology Radar Vol 34 выделил разбухание инструкций для агентов как Caution: «Инструкции становятся длинными и иногда противоречат друг другу. Модели уделяют меньше внимания контенту в середине длинных контекстов.»

Каждое лишнее правило, каждый повторяющийся пример, каждая противоречивая инструкция стоит вам производительности.

Находите свои неизвестности

Переход к меньшему количеству промптов меняет то, как вы работаете с Claude над любой задачей. Меньше неизвестных — меньше контекста. Больше неизвестных — нужно их обнаружить, а не компенсировать громоздкими инструкциями.

Категории неизвестных:

graph TD
  A["Ваши неизвестные"] --> B["Известные известные"]
  A --> C["Известные неизвестные"]
  A --> D["Неизвестные известные"]
  A --> E["Неизвестные неизвестные"]
  B -->|"В промпте"| F["Что вы говорите Claude"]
  C -->|"Осознаны"| G["Попросить Claude исследовать"]
  D -->|"Узнаёте при виде"| H["Брейншторм и прототип"]
  E -->|"Не рассматривали"| I["Blind spot pass"]

Известные известные: Что вы говорите агенту.
Известные неизвестные: Что вы знаете, что не разобрали. Попросите Claude исследовать.
Неизвестные известные: Что настолько очевидно, что вы бы не написали. Брейншторм и прототип.
Неизвестные неизвестные: Что вы не рассматривали. Сделайте blind spot pass.

Лучшие agentic-кодеры обнаруживают неизвестности итеративно — до, во время и после реализации.

Конкретный пример

Лаунч-видео Claude Fable было полностью смонтировано в Claude Code. Редактор не имел опыта работы с видео:

Blind spot pass: «Я ничего не знаю о монтаже видео. Чего я не знаю?»
Прототип: «Сделай тестовое видео с транскрибацией, чтобы проверить, работает ли это.»
Обучение: «Научи меня color grading, чтобы я мог лучше формулировать запросы.»
План: «Вот что я хочу. Какие решения я, скорее всего, изменю?»
Проверка: «Убедись, что я понимаю всё, что произошло.»

Никакого промпта на 500 строк. Claude помог обнаружить, что нужно спросить, и дал именно это.

Что это значит для ваших агентов

Если вы строите AI-агентов — тот же принцип. Проверьте системный промпт, навыки и CLAUDE.md. Anthropic сократили 80% — вы тоже, скорее всего, можете. Команда claude doctor в Claude Code помогает привести контекст в порядок.

Вопрос не «как дать Claude больше контекста?» А «как дать меньше?»

Дополнительное чтение

Исполняемые навыки для агентов лучше документации — документация создавалась для людей; агентам нужен исполняемый код
Полная наблюдаемость агентов в своей базе данных — трассировка каждого LLM-вызова в LangChain DeepAgents
Детерминизм как инфраструктура — зачем AI-платформам детерминистическое исполнение
Spec-Driven vs Code-First vs Chat-to-Code — три философии обучения AI вашему бизнесу

Часто задаваемые вопросы

Почему Anthropic удалили 80% системного промпта Claude Code? У моделей Claude 5 улучшилось суждение. Старые инструкции чрезмерно ограничивали модель, создавая противоречивые сигналы. Их удаление без потерь показало, что модель способна принимать решения автономно.

Почему больше промпта вредит? Каждый токен расходует «бюджет внимания». Избыточные инструкции, повторяющиеся примеры и противоречивые правила заставляют модель обрабатывать шум. Chroma обнаружила, что «производительность модели значительно изменяется при изменении длины входа» — context rot.

Что такое прогрессивное раскрытие контекста? Вместо загрузки всех инструкций сразу — лёгкий индекс. Агент выбирает релевантное и загружает детали по мере необходимости.

Tags: context-engineering claude-5 prompt-engineering ai-agents anthropic claude-code less-prompting progressive-context-disclosure context-rot agent-instruction-bloat