Борис Черни, създател и ръководител на Claude Code в Anthropic, смята, че сложното инженерство на промптове постепенно губи значението си.
В интервю с Даяна Ху от Y Combinator той заявява, че потребителите често подценяват възможностите на Claude Code и прекалено усложняват инструкциите си. Според него по-важно е моделът да получи трудна, ясно поставена задача и начин сам да проверява резултатите си.
Това не означава, че формулирането на инструкциите вече няма значение. Основната теза на Черни е по-тясна: сложните шаблони и популярните „трикове“ с промптове са по-малко важни от контекста, инструментите и надеждната проверка на извършената работа.
Инженерството на промптове губи част от значението си
Черни разказва за вътрешен експеримент в Anthropic, при който инженер предоставил на Claude достъп до OpenCV. Това е библиотека с отворен код, съдържаща хиляди алгоритми за компютърно зрение, обработка на изображения и машинно обучение.
След това инженерът поискал от модела да рисува изображения. Claude се справил със задачата, въпреки че екипът не очаквал подобна възможност.
Примерът е използван, за да покаже, че Claude Code може да изпълнява задачи, които надхвърлят предварителните представи на потребителите. Разговорът се насочва и към model elicitation, или процеса на откриване и активиране на способности, които вече съществуват в даден AI модел, но невинаги се проявяват при стандартна употреба.
Даяна Ху пита:
„И основната изследователска област тук всъщност е model elicitation, нали? Да станеш наистина добър в откриването на всички тези способности и в това да поискаш от модела да направи правилното нещо?
Как хората могат да станат по-добри в това? И на практика как могат да се усъвършенстват в инженерството на промптове? Все още ли е необходимо да се отделя толкова внимание на промптовете, или и това се променя?
Разкажи ни накъде се движат нещата.“
Черни отговаря:
„Спомням си, че преди около година една от най-популярните позиции беше prompt engineer. След това нещата се промениха и мисля, че се появи context engineer. Има такива вълни и според мен те ще идват и ще си отиват.
Мисля, че днес умението е свързано по-малко с инженерството на промптове и повече с това как да дадеш на Claude трудна задача, която изглежда дори малко прекалено трудна. След това трябва да направиш възможно Claude да проверява работата си по време на изпълнението.
Според мен проверката вероятно е най-важното нещо, което хората в повечето случаи не правят правилно.“
Проверката на резултата е по-важна от сложната инструкция
Черни дава и пример със задача, при която Claude работи като агент в Slack и получава достъп до виртуална машина с macOS.
Моделът трябва да пренапише настолното приложение Claude, като замени базираната на Electron версия с нативно приложение на Swift. Electron е рамка с отворен код за създаване на настолни приложения чрез уеб технологии, докато Swift е езикът за разработване на приложения в екосистемата на Apple.
Инструкцията включва стартиране на оригиналното приложение, заснемане на екранни изображения и сравняването им пиксел по пиксел с новата версия.
Черни описва задачата и промпта така:
„Казах му: Добре, сега искам да пренапишеш Electron приложението на Swift. Искам да стартираш Electron приложението във виртуалната машина с macOS, да направиш екранна снимка и след това да сравниш пиксел по пиксел резултата с версията на Swift.
Не спирай, докато не приключиш.
Това е един от примерите, при които моделът може да го направи още сега. Просто трябва да му позволиш да го направи и не са ти необходими сложните неща.
Не ти трябва /goal, не ти трябва /loop. Те помагат, но в действителност всичко, от което се нуждаеш, е да дадеш задачата на модела и да му осигуриш начин да проверява резултата от работата си, за да не блокира. След това той просто продължава.
В този случай Claude също реши да води дневник на живо. Създаде вътрешен канал в Slack и започна да публикува екранни снимки на напредъка си през няколко минути.“
Примерът показва какво разбира Черни под проверка: не просто моделът да твърди, че е приключил, а да разполага с конкретен механизъм за сравнение между очаквания и получен резултат.
Как потребителите могат да работят по-добре с Claude Code
След демонстрацията Даяна Ху пита какво отличава най-напредналите потребители на Claude Code:
„Какво отличава хората, които могат да попаднат сред най-добрия 1% от потребителите на Claude? Как хората могат да се научат да използват Claude като Борис?“
Черни отговаря:
„Може би не слушайте инфлуенсърите в LinkedIn. Не слушайте и не четете Twitter.
Мисля, че всеки търси един странен трик, с който да постигне резултата. Такъв не съществува. Няма нищо подобно.
Към модела трябва да се подхожда емпирично. Трябва да му дадете задача, която е прекалено трудна.
Трябва да му предоставите инструментите, с които да проверява работата си, както бихте направили вие, ако изпълнявахте задачата.
Трябва да видите къде среща затруднения и след това да отстраните проблема. Това може да стане с по-добър промпт или с умение. Ако на модела му липсва контекст, можете да му предоставите MCP, чрез който да извлече необходимата информация. В общи линии това е.“
MCP, или Model Context Protocol, позволява на AI системите да получават контекст и да взаимодействат с външни инструменти и източници на данни. В описания подход MCP не заменя добрата инструкция, а осигурява липсващата информация, когато задачата изисква достъп до външна система.
Прекалената конкретика може да ограничи модела
Според Черни опитните програмисти понякога описват задачите прекалено подробно, защото са свикнали традиционните софтуерни системи да изпълняват точно предварително зададени стъпки.
Той обяснява:
„Мисля, че хората са склонни малко да усложняват нещата.
Според мен те често проектират прекалено сложни решения. В много отношения, когато създавахме системи в миналото, точно така трябваше да се работи.
Когато наблюдавам инженери, които програмират от години или десетилетия, виждам много често срещан проблем: опитват се да опишат всичко прекалено подробно, да бъдат прекалено конкретни и да накарат модела да изпълни задачата точно по начина, по който те самите биха я изпълнили.
Но моделът не работи по този начин.
Мисля, че много хора постепенно се отказват от този навик и това е процес. Трябва да се научат да се отнасят към системата по начина, по който биха се отнасяли към свой колега.
Според мен това е нивото на интелигентност, което тя има в момента.“
Какво действително твърди Борис Черни
Изказването не доказва, че инженерството на промптове е станало ненужно за всички модели, задачи и работни среди. То представлява позицията на ръководител в Anthropic, подкрепена с отделни демонстрации, а не с независимо сравнително изследване.
Практическият извод е, че при Claude Code акцентът се измества от сложни формули за промптове към четири основни елемента:
- ясна и достатъчно трудна задача;
- необходимият контекст и подходящите инструменти;
- възможност моделът да проверява резултатите си;
- наблюдение на грешките и последващо коригиране на инструкцията или средата.
Следователно промптовете продължават да имат значение, но не могат да компенсират липсващ контекст, неясни критерии за успех или отсъствие на надежден начин за проверка.
