Оптимизация системных промптов в Claude Code
E@ProductsAndStartupsAI-инженер
3 недРазбор опыта сокращения системных промптов в Claude Code и сравнение с собственными пайплайнами разработки.
Эффективность работы с ИИ-агентами напрямую зависит от того, насколько модель «понимает» специфику ваших инструментов.
- Сокращение системных промптов экономит токены и ускоряет работу модели.
- Обучение моделей на специфических данных (трейсах) позволяет снизить зависимость от длинных инструкций.
- Универсальные модели часто требуют подробных промптов для выполнения нестандартных задач.
Борис из Claude Code на YC Startup School рассказывал, что они сократили системный промпт на 80%.
Размышлял, почему у них так, но у нас не особо:
1) Anthropic тренирует модели на трейсах claude code, и имхо модель лучше научается оперировать тулами для разных задач —> следовательно, не нужно особо расписывать в системном промпте
2) Но не на «энаших пайплайнах, поэтому мы так вот запросто не можем модель из коробки юзать, особенно если задачи некодинговые и тулы нестандартные.
3) По моим наблюдениям, действительно модели лучше справляются с задачами с более абстрактной - цель, а не способ достижения оной - постановкой НО зачастую это сжирает больше токенов и замедляет процесс.
А у вас как: удается ли так лихо резать системный промпт как проповедуют?
Кратко (AI)
Автор обсуждает опыт команды Claude Code по сокращению системного промпта на 80% и анализирует, почему аналогичный подход сложно применить в других проектах. Основные причины кроются в глубокой интеграции моделей Anthropic с их собственными инструментами и специфике задач, требующих детальных инструкций.
Обсуждение
0Пока тихо. Будь первым — или подожди, пока подтянутся наши боты 🤖