Когда Claude Sonnet 4.5 был запущен в сентябре 2025 года, это нарушило работу многих существующих запросов. Не потому, что релиз был ошибочным. Но потому что Anthropic перестроила способ, которым Claude следует инструкциям.
Более ранние версии предполагали твои намерения и расширяли неопределенные запросы. Claude 4.x воспринимает тебя буквально и делает именно то, что ты просишь, ничего больше.
Чтобы понять новые методы, мы оценили 25 популярных техник подготовки запросов на основе документации Anthropic, экспериментов сообщества и реальных развертываний, чтобы выяснить, какие запросы действительно лучше работают с Claude 4.x. Эти пять техник
Что Изменилось в Claude 4.5, Что Повлияло на Существующие Подсказки?
Модели Claude 4.5 отдают приоритет точным инструкциям вместо «полезных» предположений.
Предыдущие версии заполняли пробелы за тебя. Если ты просил «панель управления», они предполагали, что ты хочешь видеть графики, фильтры и таблицы данных.
Claude 4.5 воспринимает тебя буквально. Если ты попросишь панель управления, он может дать тебе пустую рамку с заголовком, потому что ты не попросил остальное.
Anthropic ясно указывает: «Клиенты, которые желают поведения «выше и дальше», должны более явно запрашивать эти поведения.»
Итак, нам нужно перестать относиться к модели как к волшебной палочке и начать относиться к ней как к буквально понимающему сотруднику.
Без навыков дизайна. Без конструкторов. Без хлопот. Только результаты.
Начать
5 Проверенных Техник, Которые Заметно Улучшают Производительность Клода
На основе наших исследований, эти пять методов стабильно демонстрировали заметные улучшения в работе Клода по задачам, которые мы перед ним ставили.
1. Структурированные и Маркированные Подсказки
Системный запрос Claude Sonnet 4.5 использует структурированные запросы повсюду. Саймон Уиллисон разобрал системные запросы и нашел разделы, обернутые в теги, как <behavior_instructions>, <artifacts_info> и <knowledge_cutoff>.
На самом деле, ты можешь отредактировать «Styles«, чтобы увидеть структурированные подсказки Anthropic в действии.
Что мы можем сделать вывод, Клод был обучен на структурированные запросы и знает, как их анализировать. XML отлично работает, так же как JSON или другие маркированные запросы.
До:
Проанализируй этот код на предмет уязвимостей безопасности и проблем производительности. Сосредоточься на потоках аутентификации и запросах к базе данных. Предоставь конкретные рекомендации с примерами кода.
После (структурированный запрос):
<task>Проанализируй предоставленный код на предмет безопасности и производительности</task>
<focus_areas>
— Потоки аутентификации
— Оптимизация запросов к базе данных
</focus_areas>
<code>
[ваш код здесь]
</code>
<output_requirements>
— Определить конкретные уязвимости с оценками серьезности
— Предоставить исправленные примеры кода
— Расставить приоритеты рекомендаций в зависимости от воздействия на бизнес
</output_requirements>
Если сравнить эти результаты, то можно заметить, что структурированный запрос предоставляет результат с большим контекстом, который помогает понять и исправить проблемы безопасности в коде. Он объясняет проблему, говорит, что делает исправление, и затем предоставляет исправление кода.
Альтернативные Форматы, Которые Работают:
JSON:
{
"task": "Проверка кода аутентификации",
"focus_areas": ["Хеширование паролей", "Безопасность сессий", "SQL инъекции"],
"context": "Приложение для здравоохранения, требуется HIPAA",
"output_format": "Риск, воздействие, исправление, серьезность каждой уязвимости"
}
Очистить Заголовки:
ЗАДАЧА: Проверить код аутентификации на уязвимости
ФОКУС: Хэширование паролей, сессии, SQL-инъекции
КОНТЕКСТ: Приложение для здравоохранения, требующее соответствия HIPAA
ФОРМАТ ВЫВОДА: Риск → Влияние на HIPAA → Решение → Серьезность
Все три работают одинаково хорошо.
Когда структурированные запросы работают лучше всего:
- Несколько компонентов запроса (задача, контекст, примеры, требования)
- Длинные входные данные (10,000+ токенов кода или документов)
- Последовательные рабочие процессы с отдельными шагами
- Задачи, требующие повторного обращения к определённым разделам
Когда стоит пропустить структурированные подсказки: Простые вопросы, где обычный текст работает отлично.
Рейтинг эффективности: 9/10 для сложных задач, 5/10 для простых запросов.
2. Расширенное мышление для сложных задач
Расширенное мышление обеспечивает значительные улучшения в сложных задачах рассуждения, но с одним значительным недостатком: скоростью.
Объявление Anthropic о Claude 4 показало значительные улучшения производительности с включенным расширенным мышлением. На математическом конкурсе AIME 2025 результаты значительно улучшились.
Cognition AI сообщила об увеличении производительности планирования на 18% с Sonnet 4.5, назвав это «самым значительным скачком, который мы видели с времён Claude Sonnet 3.6».
До (Стандартный режим):
Решите эту логическую загадку: Пять домов в ряд, каждый разного цвета…
После (с Расширенным Мышлением):
Систематически поймите логику этой головоломки. Проходите через ограничения шаг за шагом, проверяя каждую возможность, прежде чем делать выводы.
Пять домов в ряд, каждый разного цвета…
Ты не увидишь большой разницы с простыми запросами, как в примере выше. Но когда дело доходит до сложных, узкоспециализированных задач (пользовательские кодовые базы, многоступенчатое логическое планирование), разница становится очевидной.
Когда расширенный функционал работает:
- Многоэтапное логическое планирование, требующее проверки
- Математическое рассуждение с несколькими путями решения
- Сложные задачи по программированию, охватывающие несколько файлов
- Ситуации, где правильность важнее, чем скорость
Когда Пропустить: Быстрые итерации, простые запросы, творческое письмо, задачи, чувствительные ко времени
Рейтинг эффективности: 10/10 для сложных запросов, 3/10 для простых запросов.
3. Будьте Чрезвычайно Конкретны в Требованиях
Модели Claude 4 обучены следовать инструкциям точнее, чем предыдущие поколения.
Документация Anthropic говорит:
«Модели Claude 4.x хорошо реагируют на ясные, конкретные инструкции. Более точное указание желаемого результата может помочь улучшить результаты. Клиентам, которые ожидают поведения ‘выше и дальше’ от предыдущих моделей Claude, возможно, потребуется более явно запрашивать эти поведения у новых моделей.»
Документация также отмечает, что Клод достаточно умён, чтобы обобщать из объяснения, когда ты предоставляешь контекст для правил, а не просто излагаешь команды. Это означает, что предоставление обоснования помогает модели правильно применять принципы в пограничных случаях, которые не описаны явно.
Тестирование 16x Eval показало, что как Opus 4, так и Sonnet 4 набрали 9.5/10 по задачам TODO, когда инструкции ясно указывали требования, формат и критерии успеха. Модели продемонстрировали впечатляющую краткость и способность следовать инструкциям.
До (скрытые ожидания):
Создай панель управления аналитикой.
Ты заметишь, как этот результат ТОЧНО соответствует тому, что мы просили. Хотя Клод проявил некоторую творческую свободу в оформлении, это не влияет на функциональность.
После (конкретные требования):
Создай панель управления аналитикой. Включи как можно больше соответствующих функций и взаимодействий. Превзойди базовые возможности, создав полнофункциональное решение с визуализацией данных, возможностями фильтрации и функциями экспорта.
Этот второй результат с более подробным описанием имеет больше функций, панель управления, построенная на основе некоторых тестовых данных, которая представлена как в графическом, так и в табличном формате, и она включает вкладки для разделения всех данных.
Вот что делает конкретика с последним Клодом.
Чтобы еще больше прояснить этот момент, вот другой пример, показывающий, как контекст улучшает выполнение инструкций:
До (команда без контекста):
НИКОГДА не используй многоточие в своем ответе.
После (инструкция, обусловленная контекстом):
Твой ответ будет зачитан вслух с помощью голосового движка, поэтому избегай использования многоточий, так как движок не сможет правильно их произнести.
Основные принципы для четких инструкций:
- Определи, что означает «комплексный» для твоей конкретной задачи: Не предполагай, что Клод сделает выводы о стандартах качества самостоятельно.
- Объясни, почему существуют правила, а не просто излагай их: Клод лучше обобщает информацию из мотивированных инструкций.
- Укажи формат вывода явно: Запрашивай «прозаические абзацы», а не надейся на то, что Клод не ограничится списком.
- Предоставь конкретные критерии успеха: Как выглядит завершение задачи?
Рейтинг эффективности: 9/10 по всем типам задач.
4. Приведи Примеры Того, Что Ты Хочешь
Промптинг с несколькими примерами предоставляет Клоду примеры входных и выходных данных, демонстрирующие желаемое поведение. Это работает, но только когда примеры высокого качества и соответствуют задаче, и влияние сильно различается в зависимости от случая использования.
Официальные рекомендации Anthropic подчеркивают:
«Модели Claude 4.x обращают пристальное внимание на детали и примеры как часть точного следования инструкциям. Убедись, что твои примеры соответствуют поведению, которое ты хочешь поощрять, и минимизируют поведение, которого ты хочешь избежать.»
Anthropic рекомендует использовать 3-5 разнообразных, актуальных примеров для сложных задач. Чем больше примеров, тем лучше результат.
Вот пример того, как это выглядит на практике:
Здесь Клод воспользовался творческой свободой в форматировании, использовании эмодзи, сообщениях и тоне. Общий корпоративный язык
Добавление примеров эффективно, потому что они демонстрируют, а не просто рассказывают, а также помогают прояснить тонкие требования, которые сложно выразить только описанием.
Этот результат более точно соответствует примерам, которые я представил в запросе. Ты можешь использовать метод нескольких примеров, чтобы получить посты в LinkedIn, похожие на твои наиболее успешные. Академическая статья о проектировании конечных автоматов (FSM) показала, что структурированные примеры достигли 90% успеха по сравнению с инструкциями без примеров.
Как Реализовать:
- Оборачивай примеры в теги <example>, сгруппированные в тегах <examples>
- Размещай примеры в начале первого сообщения пользователя
- Используй 3-5 разнообразных примеров для сложных задач
- Соотнеси каждую деталь в примерах с желаемым результатом (Claude 4.x копирует соглашения о наименовании, стиль кода, форматирование, пунктуацию)
- Избегай избыточных примеров
Когда Примеры Работают Лучше Всего:
- Форматирование данных, требующее точной структуры
- Сложные программные шаблоны, требующие специфического подхода
- Аналитические задачи, демонстрирующие методы рассуждений
- Вывод, требующий соблюдения единого стиля и конвенций
Когда Пропускать: Простые запросы, где достаточно инструкций, или когда хочешь, чтобы Клод использовал своё собственное суждение.
Рейтинг эффективности: 10/10 для задач форматирования, 6/10 для простых запросов.
5. Ставь Контекст Перед Вопросом
Claude имеет окно контекста в 200 000 токенов (в некоторых случаях до 1 миллиона) и может понимать запросы, размещённые в любом месте контекста. Но документация Anthropic рекомендует размещать длинные документы (20 000+ токенов) в начале подсказок, перед запросами.
Тестирование показало, что это улучшает качество ответа на 30% по сравнению с первым запросом, особенно с сложными многостраничными входными данными.
Почему? Механизмы внимания Клода придают больший вес содержимому в конце запросов. Размещение вопроса после контекста позволяет модели ссылаться на ранее представленный материал при генерации ответов.
До (запрос в начале):
Проанализируй квартальные финансовые результаты и выяви ключевые тенденции.
[20,000 токенов финансовых данных]
После (контекст-первый):
[20,000 токенов финансовых данных]
На основе предоставленных квартальных финансовых данных проанализируйте результаты и выявите ключевые тенденции в росте доходов, увеличении маржи и операционной эффективности. Сосредоточьтесь на практических выводах для принятия решений руководством.
Когда это важно: Анализ в длинном контексте, где Клоду необходимо широко ссылаться на ранее обсуждаемый материал.
Когда Пропускать: Краткие запросы менее 5,000 токенов.
Рейтинг эффективности: 8/10 для задач с длинным контекстом, 4/10 для коротких запросов.
Какие Методы Подсказок Больше Не Работают: Разоблачение Распространенных Мифов
Изменения в Claude 4.5 сделали недействительными несколько популярных методик, которые работали с предыдущими моделями.
1. Выделение Слов (ВСЕ ЗАГЛАВНЫЕ, «ОБЯЗАТЕЛЬНО,» «ВСЕГДА»)
Письмо заглавными буквами больше не гарантирует соответствие. Анализ Криса Тайсона показал, что Клод теперь отдает приоритет контексту и логике, а не акценту.
Если ты напишешь «НИКОГДА не фабрикуй данные», но контекст подразумевает необходимость оценки, Клод 4.5 будет придерживаться логической необходимости вопреки твоей команде с заглавными буквами.
Используй условную логику вместо этого:
- Плохо: Всегда используй точные числа!
- Хорошо: Если доступны проверенные данные, используй точные цифры. Если нет, предоставляй диапазоны и обозначай их как оценочные.
2. Пошаговые Инструкции Цепочки Рассуждений
Сообщение модели думать «шаг за шагом» тратит токены, когда используется режим Расширенного мышления.
Когда ты включаешь Расширенное мышление, модель управляет своим бюджетом рассуждений. Добавление своих инструкций «шаг за шагом» излишне.
Что делать вместо этого:
Доверься инструменту. Если ты включишь Расширенное мышление, удали все инструкции о том, как думать.
3. Отрицательные Ограничения («Не Делай X»)
Говорить Клоду точно, что не делать, часто оборачивается против тебя.
Исследование на тему «Розовый слон» показывает, что когда совершенной модели говорят не думать о чём-то, это увеличивает вероятность того, что она сосредоточится именно на этом.
Механизм внимания Клода выделяет запретную концепцию, поддерживая её активной в контекстном окне.
Вместо этого переформулируй каждый негатив как позитивную команду:
- Плохо: Не пиши длинные, нудные вступления. Не используй слова типа «погружаться» или «гобелен.»
- Хорошо: Начинай сразу с основного аргумента. Используй краткую, емкую речь.
Как Перенести Подсказки Из Claude 3.5 в Claude 4?
Если ты переходишь с Claude 3.5 на 4.5, ты можешь перенести свою библиотеку запросов, следуя пяти систематическим шагам, подтвержденным опытом разработчиков.
Мы воспользуемся общим сценарием хостинга для этого примера. Цель состоит в том, чтобы сформировать ответ технической поддержки клиенту, столкнувшемуся с ошибкой «503 Service Unavailable» на их сайте WordPress.
1. Аудит Неявных Предположений
Начни с определения, где подсказка полагается на модель для угадывания контекста. В более старых версиях модель предполагала, что ты используешь наиболее распространённый стек программного обеспечения. Claude 4.5 не сделает такого предположения.
Устаревший запрос:
«Мой сайт загружается медленно и показывает ошибки. Ты эксперт по администрированию серверов. Подумай шаг за шагом и расскажи мне, как исправить конфигурацию, чтобы ускорить его.»
Аудит:
- «Веб-сайт» подразумевает общую конфигурацию, а не конкретную CMS (WordPress).
- «Медленно» является субъективным понятием; это может означать большое время до первого байта или медленную отрисовку ресурсов.
- «Ошибки» не содержат конкретных HTTP-кодов состояния, необходимых для диагностики.
- «Эксперт по серверам» и «Думать пошагово» являются ненужными инструкциями по управлению.
В ответе Клод 4.5 запрашивает дополнительную информацию, так как он обучен избегать предположений.
2. Рефакторинг для Явной Специфичности
Теперь перепиши задание так, чтобы определить среду, конкретную проблему и желаемый формат вывода. Ты должен предоставить технические детали, которые ранее предполагала модель.
Переработанный Запрос:
«Мой сайт на WordPress, работающий на Nginx и Ubuntu 20.04, сталкивается с высоким временем до первого байта (TTFB) и периодическими ошибками 502 Bad Gateway. Ты экспертный администратор сервера. Подумай шаг за шагом и предложи конкретные изменения в конфигурации Nginx и PHP-FPM для устранения этих задержек.»
Результат: Теперь в задании указывается точный программный стек (Nginx, Ubuntu, WordPress) и конкретная ошибка (502 Bad Gateway), что снижает вероятность получения неактуальных советов по Apache или IIS. И Клод отвечает анализом и пошаговым решением.
3. Реализация Условной Логики
Claude 4.5 преуспевает, когда работает с деревом решений. Вместо того чтобы просить о единственном статичном решении, научи модель обрабатывать различные сценарии на основе анализируемых данных.
Подсказка с Логикой:
«Мой сайт WordPress, работающий на Nginx и Ubuntu 20.04, сталкивается с высоким TTFB и ошибками 502 Bad Gateway. Ты эксперт по администрированию серверов. Рассуждай пошагово.
Если в журналах ошибок указано ‘upstream sent too big header’, предоставь изменения конфигурации для размеров буфера. Если в журналах ошибок указано ‘upstream timed out’, предоставь изменения конфигурации для лимитов времени выполнения.»
Результат: Выходные данные становятся динамичными. Модель предоставляет целевые решения на основе определённой тобой логики конкретной первопричины, вместо общего списка исправлений.
4. Удалить Устаревший Управляющий Язык
Устаревшие подсказки часто содержат инструкции по мышлению, которые пользователи считали улучшающими производительность. Это не нужно и избыточно с Claude 4.5, так как он расширил возможности мышления.
Очищенный Запрос:
«Мой сайт WordPress, работающий на Nginx и Ubuntu 20.04, испытывает высокое время ожидания TTFB и ошибки 502 Bad Gateway.
Если в журналах ошибок указано ‘upstream sent too big header’, предоставьте изменения конфигурации для размеров буфера. Если в журналах ошибок указано ‘upstream timed out’, предоставьте изменения конфигурации для ограничений времени выполнения.»
Результат: Более лаконичное задание, которое сосредоточено исключительно на технической задаче, убирая отвлекающие моменты, такие как «Ты эксперт» и «Думай пошагово».
5. Систематическое Тестирование
Собери компоненты в структурированном формате, используя XML или чёткие заголовки. Это соответствует тренировочным данным модели и дает наиболее последовательные результаты.
РОЛЬ: Системный администратор Linux, специализирующийся на производительности Nginx и WordPress.
ЗАДАЧА: Устранение ошибок 502 Bad Gateway и сокращение времени до первого байта (TTFB) для сайта WordPress на Ubuntu 20.04.
ЛОГИКА:
- Если в журналах указано 'upstream sent too big header', увеличьте fastcgi_buffer_size и fastcgi_buffers.
- Если в журналах указано 'upstream timed out', увеличьте fastcgi_read_timeout в nginx.conf и request_terminate_timeout в www.conf.
ТРЕБОВАНИЯ К РЕЗУЛЬТАТУ:
- Предоставьте точные строки конфигурации для изменения.
- Объясните влияние каждого изменения на память сервера.
Результат: Ответ был более структурированным, позволил мне решить проблему с данными конфигурационного файла, которые можно скопировать и вставить, как и было запрошено, и лучше объяснил решение.
Что Это Значит Для Твоего Рабочего Процесса
Модели Claude 4.x работают иначе, чем предыдущие модели. Они следуют твоим точным указаниям, а не предполагают, что ты имел в виду, что помогает, когда тебе нужны последовательные результаты. Усилия, которые ты приложишь к инженерии запросов в начале, окупятся, если ты будешь выполнять одну и ту же задачу многократно.
Каждый метод в этом руководстве был тщательно подобран, потому что он тесно связан с тем, как была построена Claude 4.x. XML-теги, режим расширенного мышления, подробные инструкции, примеры с несколькими шагами и подход, ориентированный на контекст, работают потому, что, основываясь на рекомендациях к работе с Claude и анекдотических данных, скорее всего, именно так Anthropic обучала модели.
Так что дерзай, выбери один или два метода из этого руководства и протестируй их на своих реальных рабочих процессах. Измерь, что изменилось и какие методы работают тебе на пользу. Лучший подход – тот, который подкреплён реальными данными из твоих повседневных рабочих процессов.
