Claude Code stracił 80% instrukcji. Anthropic: model ich nie chce

Anthropic właśnie przyznał, że usunął około 80% instrukcji systemowych w Claude Code. Powód? Modele z rodziny Fable 5 (klasa "Mythos") lepiej rozumują, gdy dostaną mniej reguł i przykładów. Postęp technologiczny. Albo oszczędność na tokenach.

Thariq Shihipar, członek zespołu technicznego pracującego nad produktem, opisał to jako świadomy wybór: stary prompt był pełen sztywnych zasad, szczegółowych przykładów i zakazów typu "nie rób X". Nowy jest drastycznie krótszy. Zmiana podejścia polega na przejściu od explicytnych ograniczeń do "steering by context" - prowadzenia modelu przez kontekst rozmowy, a nie listę nakazów.

Jak ewoluowały prompty systemowe w modelach AI

Historia promptów to ciekawa lekcja o tym, jak zmieniały się możliwości modeli. Pierwsze generacje wymagały krótkich, ale gęsto wypełnionych przykładami instrukcji - bo same rozumiały niewiele. Potem, wraz ze wzrostem możliwości, prompty rosły. Stawały się coraz dłuższe, bardziej szczegółowe, pełne edge case'ów i wyjątków.

Teraz Anthropic twierdzi, że trend się odwrócił. Prompt znów się skraca - Nie chodzi o to, że model jest słabszy. Przeciwnie - jest na tyle dobry, że nie potrzebuje szczegółowego instruktażu. Przynajmniej tak brzmi oficjalna wersja.

Shihipar używa ciekawego języka: mówi, że przykłady w prompcie "ograniczają model, bo ma więcej wyobraźni niż przykłady, które mu podajemy". To personifikacja - model "ma wyobraźnię", "nie chce" być instruowany. Technicznie może to mieć sens. Marketingowo - na pewno lepiej niż "usunęliśmy 80% tekstu, żeby płacić mniej za tokeny".

Czy model naprawdę "nie chce" instrukcji?

Anthropic publikuje własne materiały o tym, jak budować kontekst dla agentów AI. Mówią o znajdowaniu "właściwej wysokości" dla promptu - ani zbyt sztywnego (z regułami, które trzeba ciągle aktualizować), ani zbyt ogólnego (gdzie model gubi się w interpretacji).

Technicznie to ma podstawy. Modele z rodziny Claude Mythos rzeczywiście pokazują lepsze zdolności rozumowania. Jeśli model potrafi sam wywnioskować intencję użytkownika z kontekstu, szczegółowe instrukcje mogą go ograniczać - narzucają jeden konkretny sposób myślenia, gdy model mógłby znaleźć lepszy.

Z drugiej strony - krótszy prompt to mniej tokenów do przetworzenia przy każdym zapytaniu. A to bezpośrednio przekłada się na koszty po stronie Anthropic. Czy to główny powód? Firma tego nie mówi wprost. Ekonomia jest prosta: jeśli możesz osiągnąć ten sam rezultat używając 80% mniej tokenów systemowych, oszczędzasz konkretne pieniądze przy każdym zapytaniu.

Co to znaczy dla Ciebie jako użytkownika Claude Code

Jeśli używasz Claude Code, prawdopodobnie nie zauważysz różnicy - albo zauważysz poprawę. Anthropic nie zrobiłby tego ruchu, gdyby jakość spadła. Model Fable 5 jest nowszy, lepszy w rozumowaniu, i najwyraźniej radzi sobie z mniejszą ilością explicytnych instrukcji.

Dla programistów pracujących z API Claude'a to sygnał: jeśli budujesz własne rozwiązania z promptami systemowymi, przetestuj krótsze wersje. Nie każda reguła, którą kiedyś dodałeś "na wszelki wypadek", jest dziś potrzebna. Modele ewoluują szybciej niż nasze nawyki w pisaniu promptów.

Dla branży AI to kolejny dowód na to, że "więcej" nie zawsze znaczy "lepiej". Przez lata widzieliśmy wyścig: więcej parametrów, więcej danych, więcej kontekstu, więcej instrukcji. Teraz zaczyna się odwrotny trend - modele są na tyle dobre, że potrzebują mniej mikromanagementu.

Między postępem a oszczędnością

Trudno ocenić, co jest głównym motorem tej zmiany. Anthropic przedstawia to jako naturalną ewolucję - modele stały się lepsze, więc potrzebują mniej instrukcji. To spójna narracja i technicznie uzasadniona.

Ekonomia też gra rolę. Każdy token w prompcie systemowym to koszt pomnożony przez miliony zapytań dziennie. Jeśli możesz zredukować ten koszt o 80% bez utraty jakości (albo nawet z jej poprawą), to oczywisty ruch biznesowy.

Prawda prawdopodobnie leży gdzieś pośrodku. Model rzeczywiście jest lepszy i nie potrzebuje tak szczegółowych instrukcji. A Anthropic wykorzystuje to, żeby jednocześnie obniżyć koszty operacyjne. Win-win, jeśli jakość się utrzymuje lub rośnie.

Dla Ciebie jako użytkownika końcowego to dobrze - dostajesz lepszy produkt (lub przynajmniej nie gorszy) za tę samą cenę. Dla konkurencji to sygnał, że optymalizacja promptów systemowych może być kolejnym polem walki o efektywność kosztową.

Najczęstsze pytania

Dlaczego Anthropic usunął 80% instrukcji z Claude Code?

Według Anthropic, modele z rodziny Fable 5 lepiej rozumują z mniejszą liczbą explicytnych reguł. Zamiast szczegółowych instrukcji, model prowadzony jest przez kontekst rozmowy. To może być postęp technologiczny - albo sposób na obniżenie kosztów tokenów systemowych.

Czy krótszy prompt oznacza gorszą jakość Claude Code?

Nie - Anthropic twierdzi, że jakość się poprawiła lub co najmniej utrzymała. Modele Fable 5 są na tyle zaawansowane, że nie potrzebują szczegółowego instruktażu. Zbyt wiele reguł może je wręcz ograniczać.

Co to jest "steering by context" w AI?

To podejście, w którym model jest prowadzony przez kontekst rozmowy, a nie przez listę sztywnych reguł zapisanych w prompcie systemowym. Zamiast mówić "nie rób X, zawsze rób Y", dajesz modelowi przestrzeń do interpretacji intencji użytkownika.

Czy powinienem skrócić własne prompty systemowe?

Jeśli pracujesz z nowszymi modelami (Claude Fable 5, GPT-5.5 czy podobnymi), przetestuj krótsze wersje. Nie każda reguła dodana "na wszelki wypadek" jest dziś potrzebna. Modele ewoluują szybciej niż nasze nawyki.