Hacker News Digest

В документации Claude представлены системные промпты, определяющие поведение моделей на уровне ядра. С версии 4.6 каждая модель стала фиксированным снапшотом — обновления больше не меняют её поведение, а выпускаются как новые ID. Это обеспечивает стабильность для продакшена. Важно: системные промпты теперь не редактируются пользователем напрямую, а задаются антропиком как неизменная часть модели.

Среди последних обновлений — Claude Opus 5 и Claude Fable 5, выпущенные в июне–июле 2026 года, которые предлагают улучшенную логику, точность и эффективность. Sonnet 4.6 и Opus 4.6, вышедшие в феврале 2026, стали первыми моделями с фиксированными ID. Все предыдущие версии, включая Opus 4.5 и Haiku 4.5, имеют несколько обновлений, отмеченных жирным — они содержат улучшения в понимании контекста, снижение ошибок и оптимизацию скорости. Пользователям рекомендуется мигрировать на новые ID для получения стабильных результатов.

Системные промпты Claude содержат противоречивые, избыточные и неэффективные инструкции, которые не работают на практике: модель игнорирует запреты на слова «genuinely», «honestly», эмодзи, длинные ответы, а также не соблюдает указания по безопасности, датам и приоритетам моделей (например, противоречит утверждению, что Opus 5 лучше Mythos/Fable). Промпт объёмом 22k+ символов содержит устаревшие данные (например, о выборах 2024) и не улучшает производительность — пользователи считают его шумом. Claude не реагирует на инструкции в кризисных ситуациях и некорректно обрабатывает даты, несмотря на их частое упоминание. Опытные пользователи рекомендуют сокращать промпты, удаляя нерелевантные правила, использовать модульные подходы (отдельные блоки для задач) и управлять промптами через внешние файлы и прокси. Считается, что Anthropic использует промпты как способ контролировать поведение модели без изменения архитектуры — это дорогое и неэластичное решение. Промпты воспринимаются не как интеллектуальные инструкции, а как жёсткие ограничения, ухудшающие качество ответов. При использовании API добавление собственного системного промпта может конфликтовать со скрытыми промптами в API-слое.

Работа с Opus 5 ощущается как регрессия по сравнению с Opus 4.7, 4.8 и Fable, несмотря на то, что он более мощный и конкурентный в тестах. Ключевая проблема — в том, что он редко останавливается для уточнения, делает предположения без проверки и переписывает ваши планы без согласия. В отличие от конкурентов, которые задают вопросы при неясности, Opus 5 требует постоянного «бэбиситинга», что раздражает и снижает доверие к его работе.

Это, скорее всего, следствие давления на модели, оптимизированные под высокие результаты в бенчмарках, где важны смелые, но однозначные решения. Такие подходы не подходят для реального кода, где неоднозначность неизбежна, а «лучший» ответ часто зависит от контекста. В отличие от тестов, где есть четкий критерий успеха, в продакшене ошибки могут стоить дорого — поэтому предпочтительнее агент, который спросит, чему вы уделяете приоритет, а не тот, кто «угадает» и испортит проект.

Пользователи отмечают, что Opus 5 часто использует абстрактную фразеологию, требует постоянного уточнения инструкций и переинжинирит решения, что увеличивает время выполнения задач по сравнению с предыдущими версиями. Для работы с моделью рекомендуют использовать безопасный режим, конкретные формулировки и постоянный контроль. Спорно: одни считают Opus 5 более мощным и подходящим для сложных задач, другие предпочитают Fable или Sonnet — особенно для простых задач.

Новый долгосрочный тест SlopCodeBench проверяет, как модель поддерживает качество кода при постепенном раскрытии требований, а не когда всё задание объявлено сразу. Каждый вызов состоит из нескольких контрольных точек, которые появляются по мере развития задачи, делая benchmark «не насыщенным» и измеряя способность модели адаптировать и рефакторить код в реальном времени. Эта методика остаётся «не насыщенной» – модель не знает полной задачи сразу, а получает её частями, имитируя развитие проекта. В работе показано, что даже самые крупные текущие модели, такие как GPT‑5.4 и Opus 4.6, получают лишь 11 % и 17 % строгих проходов, тогда как Opus 5, запущенный на небольшом подмножестве, достигает 24 % – небольшое, но заметное улучшение.

В набор входят database_migration ( пять проверок: ck1‑создание таблиц, ck2‑модификации данных, ck3‑внешние ключи, ck4‑откат, ck5‑зависимости) и dynamic_config_service_api ( четыре проверки: ck1‑REST‑служба с версиями, ck2‑реестр схем, ck3‑рабочий процесс с обзорами, ck4‑политика‑ограничения). Для анализа используют ck6‑ck8: stats, lint, dot, cone, truth‑table, equiv, opt, проверяющие метрики, валидацию и оптимизацию схем. Пять проверок в первой задаче и четыре во второй, позволяют оценить как локальные, так и системные аспекты поддержки кода.

Opus 5 — улучшение над Opus 4.8, не революционное, но полезное для сокращения токенов и ускорения работы. Споры: Снижение строк кода не всегда улучшает качество — важен баланс между сложностью и читаемостью. Увеличение числа функций и вызовов не всегда плохо: может повышать читаемость и тестируемость. Советы: Модели следует обучать принципам поддержания качества кода и снижения сложности через системы подсказок, проверок, рефакторинга, semi-lights-off и adversarial prompting. Для оценки использовать метрики: сложность кода, количество функций, p50, p95, deterministic scores, анализ state space. Бенчмарки, включая SlopCodeBench, полезны, но требуют новых методов и инструментов. Участники согласны: разработка таких методов — ключевая задача для улучшения моделей программирования.