Anthropic skrócił prompt systemowy Claude Code o 80% — nowe modele Fable 5 działają lepiej z mniejszą liczbą instrukcji
W skrócie
- Anthropic zredukował prompt systemowy Claude Code o 80%, ponieważ nowe modele klasy Fable 5 (Mythos) lepiej działają z krótszymi instrukcjami.
- Zamiast sztywnych zakazów i licznych przykładów, modele Fable są teraz sterowane przez kontekst — przykłady zaczęły ograniczać ich możliwości, bo modele są „bardziej pomysłowe niż podawane im przykłady".
- To odwrócenie wieloletniego trendu: prompty najpierw rosły wraz z możliwościami modeli, a teraz znów się kurczą.
Anthropic dokonał znaczącej zmiany w sposobie sterowania swoim asystentem programistycznym Claude Code — zredukował jego prompt systemowy o 80% the-decoder.com.
Tariq Shihipar, członek personelu technicznego firmy, opisuje tę decyzję jako fundamentalne przesunięcie w filozofii projektowania instrukcji dla modeli AI, bezpośrednio związane z nową klasą modeli Fable 5, określanych też jako klasa Mythos the-decoder.com.
Więcej przykładów już nie pomaga — wręcz przeszkadza
Przez długi czas w branży AI obowiązywało niepisane założenie: im więcej instrukcji i przykładów w prompcie systemowym, tym lepiej model rozumie oczekiwane zachowanie. Nowe modele klasy Fable 5 obaliły tę zasadę.
Jak wyjaśnia Shihipar, przykłady „zaczynają ograniczać model, bo jest on w rzeczywistości bardziej pomysłowy niż przykłady, które mu podajemy" the-decoder.com.
Innymi słowy, szczegółowe wzorce zachowań, które miały pomagać, zaczęły działać jak kaftan bezpieczeństwa — tłumiąc możliwości modelu zamiast je ukierunkowywać.
Zmienił się też język sterowania. Zamiast twardych zakazów w stylu „nie rób tego", Anthropic przeszedł na sterowanie przez kontekst — model otrzymuje informacje o sytuacji i oczekiwaniach, a nie listę reguł do przestrzegania the-decoder.com.
Ewolucja promptów: krótkie, długie, znów krótkie
Shihipar opisuje tę zmianę jako proces przebiegający w wyraźnych etapach the-decoder.com:
- Wczesne modele wymagały krótkich promptów z dużą liczbą przykładów i restrykcyjnych instrukcji — modele nie były jeszcze w stanie samodzielnie wnioskować o intencjach.
- Kolejna generacja radziła sobie coraz lepiej z rozumieniem złożonych instrukcji, więc prompty systematycznie rosły i stawały się bardziej rozbudowane.
- Modele Fable 5 odwróciły ten trend — preferują krótsze, bardziej ogólne wskazówki, które pozostawiają im przestrzeń do działania.
To swoiste odwrócenie krzywej: branża przez lata inwestowała w coraz bardziej szczegółowe inżynierowanie promptów, a teraz okazuje się, że najnowsze modele graniczne radzą sobie lepiej, gdy daje się im więcej swobody.
Co to oznacza
Zmiana wprowadzona przez Anthropic sygnalizuje dojrzewanie całej dziedziny projektowania systemów opartych na dużych modelach językowych. Przez lata inżynierowie i badacze traktowali szczegółowość promptów jako główne narzędzie kontroli jakości i bezpieczeństwa — im precyzyjniej opisane reguły, tym przewidywalniejsze zachowanie modelu. Nowe modele klasy Fable 5 podważają tę logikę.
Dla firm i deweloperów wdrażających rozwiązania oparte na modelach Anthropic oznacza to konieczność rewizji dotychczasowych praktyk. Rozbudowane prompty systemowe, budowane i dopracowywane przez miesiące, mogą przy migracji do nowszych modeli działać gorzej niż ich uproszczone wersje. To realne wyzwanie operacyjne, szczególnie dla organizacji, które zainwestowały znaczące zasoby w inżynierię promptów.
Szerszy kontekst jest jednak optymistyczny: modele, które lepiej rozumieją intencje z mniejszej liczby wskazówek, są z zasady łatwiejsze w utrzymaniu i bardziej elastyczne w zastosowaniu. Jeśli trend opisany przez Shihipara utrzyma się w kolejnych generacjach modeli, projektowanie systemów AI może stać się mniej pracochłonne — choć jednocześnie będzie wymagało innego rodzaju kompetencji: nie pisania szczegółowych reguł, lecz umiejętnego przekazywania kontekstu.
Szerszy kontekst
Anthropic właśnie wydało Fable 5, który jest częścią nowej klasy modeli Mythos. Zgodnie z benchmarkami SPEE, Fable 5 znacznie wyprzedza Opus 4.8, osiągając 80% w porównaniu do 70% Opus 4.8 w zadaniach agentowego kodowania.
Claude jest dostępny poprzez Claude Code — narzędzie do agentowego kodowania, które pozwala programistom delegować zadania kodowania do Claude'a z wiersza poleceń, aplikacji desktopowej lub mobilnej, a także poprzez Claude Cowork — desktopową aplikację do agentowej pracy z wiedzą przeznaczoną dla osób niebędących programistami.
Uczciwość podsumowań kodu. Wypełnij transkrypt nieudanymi testami, niezaimplementowanymi funkcjami i niezatwierdzonymi decyzjami projektowymi, a następnie poproś o podsumowanie PR lub statusu. Poprzednie modele Claude tworzyły nieuczciwe podsumowania w ponad połowie przypadków. Fable 5 redukuje ten wskaźnik do 4,6% — poprawa o rząd wielkości — choć Mythos 5 wykazuje niewielką regresję na poziomie 6,0% (s. 154).
W benchmarku red-teamingu agentów Gray Swan / UK AISI, przy włączonym myśleniu, wskaźnik skuteczności ataku k=100 wynosi 4,8% — w porównaniu do 9,6% dla Opus 4.8, 30,8% dla GPT-5.5 i 45,5% dla Gemini 3.1 Pro — i zaledwie 0,1% przy k=1 (s. 93).
Dyrektywa kontroli eksportu z 12 czerwca pojawiła się po tym, jak rząd dowiedział się o raporcie, w którym badacze Amazona odkryli metodę obejścia zabezpieczeń Fable 5: poprzez odpowiednie promptowanie model identyfikował szereg luk w oprogramowaniu. W jednym przypadku model wygenerował kod demonstrujący, jak można wykorzystać daną lukę.
Analiza
Decyzja Anthropic o redukcji promptu systemowego Claude Code o 80% to nie tylko zmiana techniczna, lecz sygnał głębszej zmiany paradygmatu w projektowaniu systemów opartych na dużych modelach językowych. Przez lata branża zakładała, że precyzja i szczegółowość instrukcji przekłada się bezpośrednio na jakość i przewidywalność zachowania modelu. Modele klasy Fable 5 (rodzina Mythos) podważają tę logikę — jak wyjaśnia Tariq Shihipar, nadmiar przykładów i restrykcji zaczyna działać kontrproduktywnie, ograniczając możliwości modelu, który jest w stanie samodzielnie wnioskować o intencjach lepiej, niż sugerują mu to sztywne wzorce. Warto dodać, że wg benchmarku SPEE Fable 5 osiąga 80% skuteczności na zadaniach agentowego kodowania, wobec 70% dla Opus 4.8 (wg youtube.com) — co pokazuje, że ta swoboda nie odbywa się kosztem wyników.
Równolegle warto zwrócić uwagę na szerszy obraz bezpieczeństwa modelu. Wg danych z testów red-teamingowych Gray Swan i UK AISI, przy włączonym trybie rozumowania, wskaźnik skuteczności ataków na Fable 5 wynosi zaledwie 4,8% przy 100 próbach, wobec 9,6% dla Opus 4.8 i aż 45,5% dla Gemini 3.1 Pro (wg digitalapplied.com). Jednocześnie Anthropic musiał zmierzyć się z realnym incydentem bezpieczeństwa — po tym jak badacze Amazona odkryli metodę obejścia zabezpieczeń modelu, rząd USA wydał dyrektywę kontroli eksportu, a firma wdrożyła rozszerzone klasyfikatory blokujące potencjalnie niebezpieczne zapytania (wg anthropic.com). To zestawienie pokazuje, że skrócenie promptu systemowego nie oznacza poluzowania kontroli — mechanizmy bezpieczeństwa przenoszą się po prostu na inny poziom architektury.
Dla firm i deweloperów wdrażających rozwiązania oparte na modelach Anthropic ta zmiana ma konkretne konsekwencje operacyjne. Rozbudowane prompty systemowe budowane przez miesiące mogą przy migracji do Fable 5 działać gorzej niż ich uproszczone wersje — co oznacza konieczność rewizji dotychczasowych praktyk inżynierii promptów. Warto też odnotować, że wyciek pełnego promptu systemowego Fable 5 (ponad 120 000 znaków, ponad 1 500 linii) trafił już do sieci (wg github.com), co otwiera dodatkowe pytania o bezpieczeństwo i możliwość przenoszenia tych wzorców na tańsze modele open source. Jeśli trend opisany przez Shihipara utrzyma się w kolejnych generacjach, projektowanie systemów AI stanie się mniej pracochłonne, ale będzie wymagało innego rodzaju kompetencji — nie pisania szczegółowych reguł, lecz umiejętnego przekazywania kontekstu i intencji.