Перевод официального видео Anthropic, рабочая инструкция и честная актуализация

Всем привет! Я автор Telegram-канала Valency Labs

Эта статья представляет собой перевод и нормальное человеческое разжёвывание официального видео Anthropic «Prompting 101». Не дословный перевод каждой реплики, а разбор главных мыслей: почему модель ошибается, что действительно улучшает промпт и какие советы из ролика к 2026 году уже успели устареть

Главная мысль очень простая: хороший промпт не обязан быть длинным. Он должен уменьшать количество вещей, которые нейросеть вынуждена угадывать за вас

Как Claude нашёл лыжников в автомобильной аварии

В официальном видео Anthropic модели дали два изображения:

·     Шведский страховой бланк о дорожно-транспортном происшествии

·     Нарисованную от руки схему аварии

Потом Claude попросили изучить материалы, объяснить, что произошло, и определить виновника. Промпт был коротким и почти ничего не рассказывал о документах

Исходные материалы из примера Anthropic: страховой бланк и нарисованная от руки схема ДТП. Изображение реконструировано на основе официального видео

Для человека рисунок выглядит достаточно очевидно. Есть две машины, стрелки и улица. Для модели это незнакомый документ на шведском языке, набор галочек и несколько прямоугольников, нарисованных от руки. Если не объяснить, что перед ней и что именно нужно извлечь, часть смысла она достраивает сама

И она достроила

Claude решил, что перед ним лыжный инцидент на городской улице. Автомобили превратились в людей, ДТП превратилось в столкновение лыжников, а ответ при этом звучал так уверенно, будто модель лично стояла рядом и оформляла страховку

Первый ответ Claude: из автомобильной аварии модель каким-то образом сделала лыжную

Смешно, но это хороший пример того, как нейросети ошибаются в реальной работе. Модель не читает мысли и не знает, что именно вы считаете очевидным. Когда информации не хватает, она не всегда останавливается. Иногда она аккуратно заполняет пробелы убедительной хуйнёй (!)

Дальше авторы видео начали улучшать промпт. Они объяснили, что речь идёт об автомобильной страховке, описали устройство бланка, расшифровали значения полей и задали порядок анализа: сначала изучить форму, затем сверить её с рисунком и только после этого сделать вывод

После уточнений Claude связал форму со схемой и определил, что автомобиль A стоял на месте, а автомобиль B поворачивал направо и столкнулся с ним

После добавления контекста, правил и порядка анализа Claude выдал уже адекватный результат и назвал автомобиль B вероятным виновником

Тут важно не сделать неправильный вывод. Один хороший ответ после исправления промпта ещё не доказывает, что система стала надёжной. Но пример отлично показывает разницу между «вот тебе два файла, разберись» и нормально поставленной задачей

Из чего состоит нормальный промпт

В ролике Anthropic показывают большую структуру из десяти элементов. Там есть контекст задачи, тон, исходные данные, правила, примеры, история диалога, конкретный запрос, порядок рассуждения, формат и заготовка ответа

Структура промпта из официального видео Anthropic. Все десять пунктов одновременно нужны далеко не всегда

Эта схема полезна как карта, но не как религия. Не надо брать простой вопрос и превращать его в техническое задание на три страницы. Если вам нужно перевести одно предложение, достаточно написать: «Переведи на русский и сохрани разговорный тон»

Для сложных задач добавляйте только те блоки, которые реально уменьшают неопределённость: цель, контекст, данные, ограничения, примеры и формат результата

Ниже шесть принципов, которых хватает для большинства нормальных запросов

1. Скажите, какой результат вам нужен

Плохой запрос:

Посмотреть можно по-разному. Пересказать содержание, найти опечатки, проверить риски, вытащить суммы или просто написать, что документ выглядит солидно

Лучше:

Во втором варианте уже понятно, что искать, для кого готовить ответ и насколько сложным должен быть язык

2. Дайте релевантный контекст

Контекст объясняет ситуацию: что это за документ, кто будет читать результат, какая страна или отрасль важна, какие ограничения нужно учитывать

Например:

Теперь модель понимает тип документа, аудиторию и нужный уровень объяснения

Но не нужно пересказывать нейросети всю биографию. Контекст полезен только тогда, когда он влияет на ответ. Лишняя информация засоряет запрос не хуже, чем её отсутствие

3. Задайте порядок действий, если он действительно важен

В примере с аварией порядок имел значение: сначала прочитать форму, затем сопоставить её с рисунком и только потом определить вероятного виновника

С договором последовательность может выглядеть так:

·     Определи стороны договора и его предмет

·     Найди сроки, суммы и обязанности

·     Проверь штрафы, автоматическое продление и условия расторжения

·     Покажи спорные пункты вместе с цитатами

·     Объясни риски простым языком

4. Объясните, что делать при нехватке данных

Фраза «не выдумывай» сама по себе слабая. Она не превращает модель в детектор истины

Гораздо полезнее написать:

Ещё лучше попросить подтверждать важные выводы:

Так ответ становится проще проверять. А проверяемость в важных задачах полезнее, чем очень уверенный тон

5. Покажите хорошие примеры

Примеры остаются одним из самых надёжных способов задать формат, тон и структуру ответа. Если нужна карточка товара, покажите готовую карточку. Если нужно извлекать данные из писем, дайте пример письма и правильного результата

В актуальном руководстве Anthropic рекомендуют использовать 3–5 релевантных и разнообразных примеров для лучшего результата. Это особенно полезно в автоматизации, где один и тот же промпт должен стабильно работать на множестве входных данных

Но обычному пользователю не нужно искать пять примеров ради вопроса про рецепт сырников. Опять же, смотрим на сложность задачи, а не пытаемся выполнить священный ритуал промпт-инженера

6. Укажите формат результата

Если ответ будет читать человек, попросите таблицу, список, короткий вывод или объяснение по разделам

Если результат дальше обрабатывает программа, одного обещания «верни валидный JSON» уже мало. В Claude API для этого есть Structured Outputs, которые ограничивают ответ заданной схемой и дают предсказуемый формат для дальнейшей обработки

Простой пример:

Никакой магии. Мы просто объяснили потребность, критерии, ограничения и желаемый результат

Что изменилось к 2026 году

Официальное видео полезное, но некоторые технические советы из него уже нельзя переносить в новые модели один в один

Prefill больше не является универсальным приёмом

Раньше можно было заранее начать последнее сообщение assistant, например поставить открывающую скобку JSON или XML-тег, и заставить Claude продолжить с нужного места

Начиная с моделей Claude 4.6 такой prefill последнего сообщения assistant не поддерживается. API вернёт ошибку. Anthropic предлагает использовать прямые инструкции, output_config.format и Structured Outputs там, где нужна строгая структура

Temperature = 0 не делает ответ истиной

Даже на старых моделях значение temperature = 0 не гарантировало одинаковые и тем более фактически правильные ответы

На Claude Opus 4.7 и более новых моделях нестандартные значения temperature, top_p и top_k вообще отклоняются API. То есть совет «просто поставьте температуру в ноль» теперь не только не магический, но местами ещё и технически неприменимый

Reasoning стал более автономным

Новые модели Claude поддерживают adaptive thinking: модель динамически определяет, когда ей нужно рассуждать и сколько усилий потратить на задачу. Поэтому длинная инструкция «думай шаг за шагом, потом ещё раз подумай и обязательно глубоко вдохни» больше не выглядит универсальным усилителем интеллекта

Если вам нужен конкретный рабочий процесс, задайте его. Если вам нужен качественный вывод, задайте цель, ограничения и критерии проверки. Не нужно сочинять за модель каждую внутреннюю мысль

Одного удачного ответа недостаточно

Если промпт используется в продукте, его нужно проверять на наборе случаев: нормальных, неполных, размытых, противоречивых и пограничных. Отдельно нужны примеры, где правильный ответ вообще невозможно дать

Заранее определите, что считается успехом. Для системы анализа договоров это может быть доля найденных рисков, количество ложных срабатываний и точность цитат. Для извлечения данных из документов важны корректность полей и поведение при нечитаемом тексте

Вот это уже evals. Не «мне один раз красиво ответило», а повторяемая проверка по понятным критериям

Важен не только промпт, но и весь контекст

Для агентов и сложных систем одного текста запроса часто недостаточно. На результат влияют документы, инструменты, история, память, доступные данные и правила их использования. Эту более широкую работу часто называют context engineering

Обычному пользователю чата не нужно срочно становиться инженером контекста. Но принцип полезный: модель отвечает не на вашу идею в голове, а на тот набор информации, который реально получила

Универсальный шаблон для сложного запроса

Его не нужно копировать целиком каждый раз. Оставляйте только нужные части

ЗАДАЧА
Помоги [кому] выполнить [что].

КОНТЕКСТ
[Только информация, которая реально влияет на ответ.]

ИСХОДНЫЕ ДАННЫЕ
[Документ, текст, таблица или изображения.]

ПОРЯДОК РАБОТЫ, ЕСЛИ НУЖЕН
1. Сначала сделай [...]
2. Затем проверь [...]
3. После этого подготовь результат [...]

ПРАВИЛА
- Используй только предоставленные данные, если это важно
- Если данных недостаточно, прямо сообщи об этом
- Важные выводы подтверждай фактами или цитатами

ФОРМАТ
[Таблица, список, текст или строгая схема данных.]

Быстрый чек-лист

Перед сложным запросом быстро проверьте:

·     Понятно ли, какой результат мне нужен?

·     Дал ли я нужный контекст и не добавил ли лишнего?

·     Отделены ли инструкции от исходных данных?

·     Нужен ли конкретный порядок действий?

·     Объяснил ли я, что делать при нехватке информации?

·     Можно ли проверить ключевые выводы по фактам или цитатам?

·     Указал ли я удобный формат ответа?

·     Если это автоматизация, проверил ли я промпт на разных случаях?

Если всё это есть, огромный промпт обычно не нужен

Источники: рекомендации Anthropic по промптам, ошибки API и отказ от prefill в Claude 4.6+, adaptive thinking, Structured Outputs, устаревшие параметры моделей.

Бонус

Как-то давно уже делал пост про скилл который поможет вам писать правильные промпты, ссылка на него тут - https://t.me/valencylab/39

Итог

Хороший промпт не должен выглядеть умно. Он должен чётко объяснять задачу, давать нужный контекст и задавать результат, который можно проверить

Объясните, чего хотите. Добавьте информацию, которая действительно влияет на ответ. Укажите ограничения, покажите примеры там, где нужна стабильность, и заранее решите, как будете проверять результат

И не верьте ответу только потому, что нейросеть написала его уверенным тоном. Она всё ещё может нести хуйню с такой подачей, будто лично составляла этот шведский страховой бланк

Если вам интересны нейросети, полезные инструменты и нормальные объяснения без корпоративной духоты, подписывайтесь на мой Telegram канал Valency Labs. Там выходят короткие находки, инструкции и разборы того, что действительно можно использовать

Спасибо, что дочитали. Всех обнял!