Как говорить с Claude так, чтобы он работал как senior, а не как стажёр — VogueTech

Что нового

Anthropic в этом материале не анонсирует новый продукт. Вместо этого команда Claude системно описывает, как именно общаться с LLM, чтобы выжимать максимум из моделей уровня Claude 4.x.

Ключевое:

Фокус на Claude 4.x и похожих по классу моделях.
Упор на то, что старые приёмы prompt-инженерии (XML-теги, сильные «ролевые» промпты) уже почти не нужны.
Подробный набор рабочих шаблонов запросов: от базовой формулировки задачи до сложных цепочек запросов и «chain-of-thought».
Отдельно проговаривается, что у Claude есть режим расширенного размышления (extended thinking), который частично автоматизирует пошаговое рассуждение.

Цифр вроде длины контекста, скорости или стоимости здесь нет — это не релиз модели, а практическое руководство по работе с уже существующими Claude 4.x.

Как это работает

Anthropic описывает не внутренности модели, а механику взаимодействия с ней. Логика простая: то, как вы пишете запрос, напрямую влияет на то, какие именно токены модель сгенерирует дальше.

Основные технические идеи под капотом такого подхода:

Явные инструкции → более точное распределение вероятностей

Когда вы пишете: «Сделай X, в таком-то формате, с такими-то ограничениями», модель получает чёткие сигналы, какие токены допустимы, а какие нет. Это сужает пространство вариантов и уменьшает «галлюцинации».
Контекст как часть входной последовательности

Любое описание задачи, аудитории, ограничений, примеры — это токены в контексте. Claude 4.x умеет использовать этот контекст как «рабочую память» и подстраивать под него вывод.
Обучение на примерах (in-context learning)

Когда вы даёте образец нужного ответа, модель не «запоминает» его навсегда, но копирует паттерн внутри текущего диалога. Отсюда совет: если показываете пример, делайте его максимально похожим на желаемый итог.
Chain-of-thought как явное «раскручивание» внутреннего рассуждения

Модели и так «думают» пошагово внутри, но обычно скрывают это. Если вы просите «рассуждать по шагам», вы фактически просите модель печатать часть этого внутреннего процесса. Это помогает при сложных аналитических задачах.
Extended thinking в Claude 4.x

Anthropic добавила режим, где модель сама выделяет больше «умственного бюджета» на сложные задачи. Это работает без ручного chain-of-thought, но вы всё равно можете требовать явные шаги рассуждения, если нужен прозрачный ход мыслей.

Суммарно: Anthropic показывает, как управлять тем, на что именно тратится контекст и вычислительный ресурс модели — на угадывание ваших намерений или на решение задачи.

Что это значит для вас

Материал полезен всем, кто регулярно работает с Claude 4.x или любыми LLM: разработчикам, аналитикам, продактам, редакторам, ресёрчерам.

Когда это реально поможет

1. Продакшн-интеграции и агенты

Если вы встраиваете Claude в продукт, вам нужны:

стабильный формат ответа (JSON, XML, таблицы);
предсказуемое поведение на сложных задачах;
минимум «придуманных» данных.

Здесь пригодятся:

предзаполнение ответа (pre-fill) — чтобы модель сразу продолжала нужный JSON;
цепочки запросов — чтобы разбивать задачу на шаги и проверять промежуточные результаты;
явное разрешение «сказать, что не знаешь» — чтобы снижать галлюцинации.

2. Аналитика, ресёрч, работа с длинными текстами

Если вы:

просите сделать выводы из отчёта;
готовите краткие выжимки из статей;
сравниваете несколько документов.

Полезно:

давать чёткий контекст: кто читатель, зачем нужен итог;
требовать пошаговое рассуждение или включать расширенное размышление Claude;
использовать цепочки запросов: «сначала резюмируй → потом проверь точность → потом улучшай».

3. Контент, UX-тексты, маркетинг

Для задач вроде:

«напиши текст в стиле X»;
«адаптируй под такую-то аудиторию»;
«перепиши с фокусом на пользу».

Работают:

подробное объяснение мотивации («мне нужны не списки, а живые абзацы, потому что…»);
примеры нужного стиля;
чёткое описание структуры: заголовки, длина, формат.

4. Код, архитектура, ревью

Если вы используете Claude как помощника по коду:

уточняйте ограничения (язык, версии библиотек, платформу);
просите пошаговый разбор: сначала анализ, потом код;
разрешайте признавать незнание, особенно при работе с частными API.

Где эти техники мало что дадут

Если вы задаёте совсем абстрактные вопросы без цели («расскажи про ИИ вообще»), сложная prompt-инженерия не нужна. Достаточно простого запроса.
Если модель фактически не имеет доступа к нужным данным (например, свежие новости, закрытые базы), никакой промпт не превратит её в поисковый движок с актуальной базой.
Если вы используете сильно урезанные модели с маленьким контекстом и слабым обучением, многие советы (особенно про длинные примеры и сложные цепочки) будут работать хуже.

Важный момент для читателей из России

Claude официально доступен через веб-интерфейс и API Anthropic. Для прямого доступа к claude.ai из России обычно нужен VPN и платёжный метод, который принимает Anthropic. Интеграции через сторонние платформы зависят от конкретного сервиса.

Место на рынке

Anthropic здесь не сравнивает Claude с GPT-4o или другими моделями по скорости, цене или длине контекста. Текст фокусируется на паттернах работы, которые применимы к любым LLM примерно класса Claude 4.x.

Что можно вынести:

Подходы из статьи применимы и к GPT-4o, и к другим крупным моделям, но Anthropic явно затачивает рекомендации под сильные стороны Claude 4.x и его режим расширенного размышления.
Старые практики вроде массового использования XML-тегов и тяжёлых «ролевых» промптов здесь подаются как устаревающие для моделей последнего поколения.

Без конкретных чисел по скорости, стоимости и контексту сравнивать Claude 4.x с GPT-4o или другими моделями по метрикам вроде «быстрее на X%» нельзя. Материал — про методику работы, а не про бенчмарки.

Базовые техники: как писать запросы, чтобы они вообще работали

1. Будьте прямыми и понятными

Модели вроде Claude 4.x отлично реагируют на чёткие глаголы действия и конкретные ожидания.

Вместо размытых формулировок:

«Сделай анализ»

лучше писать:

«Проанализируй»;
«Напиши»;
«Сгенерируй»;
«Создай».

И сразу уточнять:

что именно должно быть в ответе;
насколько подробным он должен быть;
какие критерии качества важны.

Пример из статьи:

Вариант 1: «Создайте аналитический дашборд».
Вариант 2: «Создайте аналитический дашборд. Включите как можно больше релевантных функций и взаимодействий. Выйдите за пределы базового набора и опишите полноценную реализацию».

Второй вариант даёт понять, что вы ждёте не минималку, а продуманное решение.

Практические приёмы:

Начинайте запрос с действия: «Напиши…», «Проанализируй…», «Сделай…».
Не тратьте первые строки на длинные вступления.
Говорите не только, «о чём» текст, но и что должно быть в результате.
Пропишите уровень детализации: «коротко в 3–4 абзацах», «подробно, с примерами кода».

2. Давайте контекст и мотивацию

Claude лучше работает, когда понимает зачем вы это просите.

Пример:

Менее эффективно: «НИКОГДА не используй маркированные списки».
Более эффективно: «Я предпочитаю ответы в виде естественных абзацев, а не списков. Проза мне легче читается и лучше подходит для использования. Списки кажутся слишком формальными и сухими для моего стиля обучения».

Во втором случае модель видит логику и может принимать похожие решения и в других ситуациях.

Когда полезно добавлять контекст:

описываете цель результата или аудиторию;
объясняете ограничения (юридические, технические, стилистические);
рассказываете, как вы будете использовать ответ;
формулируете проблему, а не только задачу («мне нужно уменьшить время на…»).

3. Будьте конкретными

Чем более детально вы задаёте рамки, тем выше шанс получить именно то, что нужно.

Пример с питанием:

Вариант 1: «Составь план питания в средиземноморском стиле».
Вариант 2: «Составь средиземноморский план питания для поддержки при предиабете. 1 800 ккал в день, акцент на продуктах с низким гликемическим индексом. Укажи завтрак, обед, ужин и перекус с разбивкой по нутриентам».

Во втором случае модель знает:

цель (предиабет);
калорийность;
ключевое ограничение (низкий ГИ);
структуру вывода (4 приёма пищи + нутриенты).

Что стоит уточнять в промпте:

ограничения: объём текста, формат, дедлайны, технические рамки;
контекст: кто читает, зачем, на каком уровне подготовки;
формат результата: таблица, список, JSON, сплошной текст;
запреты и требования: диета, бюджет, совместимость с существующей системой.

4. Используйте примеры

Примеры особенно полезны, когда нужно передать тон, стиль или сложный формат.

Claude 4.x внимательно смотрит на детали в примерах, поэтому важно:

показывать только те паттерны, которые вы хотите видеть в результате;
не включать в пример лишние элементы, которые не хотите тиражировать.

Когда примеры реально помогают:

формат проще показать, чем описать словами;
нужен специфический тон (например, «спокойный, без маркетинговых клише»);
задача опирается на тонкие конвенции (юридический стиль, научная ссылка);
простые инструкции уже не дали стабильного результата.

Совет: начните с одного хорошего примера. Если модель всё ещё «мимо», добавляйте ещё 1–2.

5. Разрешайте модели не знать

Прямо напишите, что нормально признать неопределённость.

Например:

«Проанализируй эти финансовые данные и определи тенденции. Если информации недостаточно для уверенных выводов, скажи об этом прямо, не спекулируй».

Это снижает риск того, что Claude начнёт «додумывать» факты, которых нет.

Продвинутые техники: когда базового промпта мало

1. Предзаполнение ответа (pre-fill)

Идея: вы начинаете ответ за модель, задавая формат и первые токены, а Claude просто продолжает.

Полезно, когда:

нужен жёсткий формат: JSON, XML, строгое поле-значение;
вы хотите убрать любые вступления типа «Конечно, вот…»;
нужно держать тон или «персонажа» в рамках;
важно контролировать, с чего именно начнётся ответ.

Пример с JSON (через API): вы в промпте описываете задачу и добавляете в начало ответа { и структуру полей. Claude продолжает, заполняя значения.

В чат-интерфейсе можно писать буквально:

«Ответ только в виде валидного JSON, без вступлений. Начни ответ с открывающей фигурной скобки».

2. Chain-of-thought (цепочка рассуждений)

Здесь вы просите модель думать по шагам, а не сразу выдавать финальный ответ.

Это важно, когда:

задача многошаговая и аналитическая;
вам нужен прозрачный ход мыслей, который можно проверить;
вы хотите убедиться, что модель учла нужные факторы.

Anthropic описывает три варианта:

Базовый chain-of-thought

Добавляете что-то вроде: «Рассуждай шаг за шагом».
Направляемый chain-of-thought

Вы задаёте конкретные шаги.

Пример:

«Сначала продумай, какие сообщения могут заинтересовать этого донора, исходя из его истории пожертвований. Затем выбери аспекты программы Care for Kids, которые ему подойдут. В конце на основе анализа напиши персональное письмо».
Структурированный chain-of-thought с разметкой

Вы разделяете рассуждение и итог с помощью тегов или явных секций.

Примерно так:

«Сначала проанализируй, какие сообщения могут заинтересовать донора. Затем выбери релевантные части программы. Оформи рассуждение внутри блока <analysis>…</analysis>, а финальное письмо — внутри <email>…</email>».

Anthropic одновременно говорит о расширенном размышлении Claude 4.x. Если этот режим включён, модель сама тратит больше «умственного ресурса» на сложные задачи. Но явный chain-of-thought остаётся полезным, когда нужен именно прозрачный ход рассуждений.

3. Контроль формата ответа

Три простых приёма:

Формулируйте что нужно, а не «чего не нужно».
- Вместо: «Не используй markdown».
- Лучше: «Ответ в виде сплошных абзацев без разметки».
Пишите запрос в том стиле, который хотите получить.

Если в промпте много markdown, модель с большей вероятностью вернёт markdown. Если хотите голый текст — пишите без заголовков и списков.
Явно задавайте правила разметки.

Например:
- «Один заголовок H2, под ним один список из 5 пунктов»;
- «Ответ в виде таблицы: колонки X, Y, Z».

4. Цепочки запросов (prompt chaining)

Здесь вы разбиваете задачу на несколько API-вызовов или шагов в чате.

Пример с медицинской статьёй:

Запрос 1: «Сделай краткий пересказ статьи. Отдельно опиши методологию, результаты и клинические выводы».
Запрос 2: «Проверь, насколько этот пересказ точен, понятен и полон. Дай детальный фидбек».
Запрос 3: «Улучши пересказ с учётом этих комментариев: [вставляете фидбек из шага 2]».

Когда это нужно:

задача сложная и многослойная;
вы хотите поэтапно улучшать результат;
полезна промежуточная проверка (например, другим промптом или человеком);
один запрос даёт «средний» результат, который сложно довести до ума за раз.

Минус — больше задержка и больше API-вызовов. Плюс — сильно выше контроль и качество при сложных задачах.

Техники, которые уже не обязательны, но всё ещё встречаются

XML-теги для структуры

Раньше часто предлагали оборачивать части промпта в XML-теги, чтобы модель чётко понимала, где что.

Сейчас Claude 4.x и похожие модели и без этого неплохо справляются с разделением секций, если вы:

используете понятные заголовки;
отделяете блоки пустыми строками;
явно пишете: «Используй информацию ниже…».

Тем не менее XML всё ещё может быть полезен, если:

промпт огромный и смешивает разные типы данных (описание задачи, длинные документы, метаданные);
вам нужно жёстко очертить границы, что относится к чему;
вы работаете со старыми версиями моделей.

Во многих случаях проще и чище использовать обычный текст с хорошей структурой, чем перегружать промпт тегами.

Ролевые промпты

Классический приём: «Ты — такой-то эксперт, веди себя так-то».

Пример:

«Ты — финансовый консультант. Проанализируй этот портфель…»

Anthropic предупреждает: не перегибайте.

Фразы уровня:

«Ты — эксперт мирового уровня, никогда не ошибаешься и всегда пишешь только сложным профессиональным жаргоном»

часто вредят. Модель может начать отвечать слишком узко, заигрываться в образ или игнорировать реальные ограничения.

Когда роль всё-таки полезна:

нужен единый тон для серии ответов (например, «дружелюбный наставник для новичков»);
вы пишете от лица условного персонажа в продукте;
вы хотите сфокусировать модель на конкретной компетенции.

Но чаще эффективнее задать перспективу и фокус, без театрализации:

вместо «Ты — финансовый консультант…»;
написать: «Проанализируй портфель, уделяя внимание риску и потенциалу долгосрочного роста».

Как выбирать технику под задачу

Anthropic предлагает простой чек-лист:

Запрос понятен и прямой?

Если нет — сначала перепишите базу: чёткость, глагол действия, структура.
Задача простая?

Достаточно базовых техник: ясность, контекст, конкретика.
Нужен конкретный формат?

Используйте примеры, предзаполнение, явные требования к формату.
Задача сложная и многошаговая?

Разбейте на цепочку запросов.
Нужен явный ход рассуждений?

Включайте расширенное размышление Claude 4.x, если доступно, или просите chain-of-thought.

Удобная шпаргалка из материала:

Нужен конкретный формат → примеры, pre-fill, жёсткие указания по структуре.
Нужен пошаговый анализ → расширенное размышление или chain-of-thought.
Задача в несколько этапов → цепочки запросов.
Нужен прозрачный reasoning → chain-of-thought с разметкой «анализ / итог».
Боитесь галлюцинаций → явно разрешите «я не знаю» и задайте жёсткие рамки источников.

Как чинить типичные проблемы с промптами

Anthropic даёт готовый «дебаггер» для ваших запросов.

1. Ответ слишком общий

Добавьте конкретику: ограничения, структуру, аудиторию.
Попросите «выйти за пределы базового уровня».
Дайте пример желаемой глубины.

2. Ответ мимо задачи

Ясно сформулируйте цель: зачем вам этот ответ.
Объясните контекст использования.

3. Формат ответа плавает от раза к разу

Покажите пример нужного формата.
Используйте предзаполнение (особенно для JSON и таблиц).

4. Задача слишком сложная, результат нестабилен

Разбейте на цепочку запросов.
Каждый запрос — одна конкретная подзадача.

5. Модель пишет ненужные вступления

Явно попросите: «Без вступления, сразу к делу».
Или используйте pre-fill, начиная ответ сразу с нужной структуры.

6. Модель придумывает факты

В промпте разрешите: «Если не уверен — скажи, что не знаешь».
Ограничьте источники: «Используй только текст ниже…».

7. Модель предлагает изменения, когда вы хотите уже изменённый результат

Формулируйте действие: «Перепиши», «Измени», а не «Можешь предложить изменения?».

Общий совет: начинайте с простого промпта и постепенно добавляйте сложности, проверяя, что реально улучшает результат.

Ошибки, которые тратят ваш бюджет и нервы

Anthropic перечисляет типичные ловушки:

Сливать часы в «суперпромпты»: длинный запрос сам по себе не делает ответ лучше.
Игнорировать базу: если задача описана мутно, никакие XML и роли не спасут.
Думать, что модель «догадается» о ваших намерениях.
Пихать в один промпт все техники сразу: роли, теги, цепочки, примеры.
Не тестировать: первый промпт почти никогда не идеален.
Жёстко полагаться на старые практики: XML-теги и тяжёлые ролевые промпты часто избыточны для Claude 4.x.

Про длинный контент и стоимость токенов

Продвинутая prompt-инженерия почти всегда означает больше токенов:

подробные инструкции;
длинные примеры;
цепочки запросов.

Это даёт лучшее качество, но увеличивает:

нагрузку на контекстное окно;
стоимость и задержку.

Anthropic подчёркивает: каждая техника должна быть оправдана. Если задача простая, не нужно тратить контекст на сложные шаблоны. Для аккуратной работы с длинными документами у Anthropic есть отдельный подход — «контекстная инженерия», который выходит за рамки этого текста.

Если вы уже используете Claude 4.x (или аналогичный LLM) в продукте или работе, этот набор практик — по сути, чек-лист: как превратить модель из «чата с ИИ» в предсказуемый инструмент, который делает именно то, что вы просите, а не то, что ему показалось.