Anthropic将Claude Code系统提示缩减80%

Anthropic透露,针对Fable 5和Opus 5模型,他们将Claude Code的系统提示缩减了80%,且未对编码基准测试造成任何损失。在一次炉边谈话中,产品负责人Cat Wu和工程师Thariq Shihipar解释说,移除少量示例提升了创造力,用情境化指导取代硬性禁令减少了冲突。团队现在逐条审查每条指令以确保100%准确,软化或移除存在例外的指令。这种方法依赖于前沿模型的高级判断能力,不适用于Haiku等较小模型。主要趋势包括:从刚性规则转向基于判断的提示,从预先加载上下文转向通过技能(Skills)逐步披露,以及从手动记忆转向自动记忆。团队还透露,Anthropic产品工程中65%的拉取请求(PR)现在由协作式Slack智能体Claude Tag处理。这些发现表明,随着模型能力增强,提示工程正在发生范式转变。
Key insights
提示工程正从详尽指令集转向基于判断的最小化指导,随着模型改进
Anthropic发现,移除少量示例使Claude更具创造力,而硬性禁令常与用户指令冲突。新方法赋予模型更多上下文并信任其判断,原则是每条指令必须在所有场景下100%正确。这代表了从长期奉行的提供详细示例和约束的最佳实践的根本性转变。
80%的缩减表明过度约束模型可能适得其反,导致冲突并限制创造力
团队发现,许多先前指令仅有90%的正确性——例如任何更改后必须进行前端验证,这对于琐碎的字符串编辑是不必要的。通过软化此类规则并让模型自行判断,性能得以保持,同时提示大小大幅缩减。
这种方法依赖于模型;较小模型仍需详细提示,导致最佳实践的分化
Simon Willison指出,这种方法仅适用于Opus/Fable级别的模型;Haiku及类似小模型仍需详细提示。Anthropic为每个模型维护独立的系统提示,承认前沿模型能处理较弱模型无法应对的模糊性。
向逐步披露和模块化技能的转变反映了将上下文视为动态按需资源的更广泛趋势
Anthropic不再预先加载所有上下文,而是将信息分离为按需调用的技能,使用自动记忆替代手动claude.md条目,并优先使用代码引用而非描述。这降低了模型的认知负荷并提高了可扩展性。
Anthropic内部采用Claude Tag处理65%的PR,表明对AI智能体在核心工程工作中日益增长的依赖
Claude Tag是一个集成Slack的协作智能体,目前处理Anthropic产品工程中65%的拉取请求。复杂任务交互式地使用Claude Code,而常规工作则委托给Claude Tag。信任是通过六个月内将每个引发事故的PR加入评估集而建立的。