Опус разговорился: как system prompt возвращает агента к делу

Opus 5 — одна из самых умных моделей на рынке и одновременно одна из самых утомительных: она обожает канцелярские обороты вроде «load-bearing» и «here’s the honest truth», разгоняется на пустом месте и охотно приписывает себе соавторство в git-коммитах. IndyDevDan в свежем ролике показывает не хак и не апдейт модели, а инструмент, который был под рукой всё это время, — системный промпт для AI-агента. Именно он, а не отдельная реплика пользователя, определяет тон, длину и дисциплину каждого ответа.

Почему системный промпт сильнее пользовательского

Большинство инженеров вкладывают усилия в user prompt: подробные задачи, слэш-команды, скиллы. Системный промпт трогают редко, хотя именно он умножается на каждый запуск агента. Одно удачно сформулированное правило в system prompt работает на сотнях последующих диалогов, тогда как правило в user prompt живёт один раз. Для Claude Code это выражается буквально в деньгах: DevDan на сравнении двух параллельных сессий — «из коробки» и с доработанным системным промптом — показывает падение времени генерации с 53 до 22–30 секунд и заметное снижение расхода выходных токенов при той же задаче (сжатие длинной статьи). Экономия происходит не за счёт более слабой модели, а за счёт того, что агенту явно объяснили, сколько текста от него ждут.

Из чего собирается рабочий системный промпт

Позитивные и негативные паттерны

Первый слой — прямой список: что повторять, а что игнорировать. «Используй последнюю фразу для главного вывода», «оспаривай неверные допущения», «не льсти и не соглашайся без причины» — с одной стороны, и чёрный список фраз-паразитов вроде «load-bearing» — с другой. Это не ролевая игра в «сеньора-инженера», а прямая спецификация стиля, написанная человеком вручную, а не сгенерированная за пять секунд.

Reference points и алиасы

Второй приём куда интереснее: агенту предлагают короткие коды для сущностей ответа — D1, D2 для решений, R1, R2 для рисков — и просят сохранять их сквозь весь диалог. После этого можно бросить агенту «расскажи подробнее про R6», и он мгновенно понимает контекст без пересказа. Third layer — алиасы-команды прямо в системном промпте: SCR («simplify, compress, repeat»), ELI («explain like I’m 18»), FOC («focus on what matters»). Они работают как локальные скиллы без отдельных файлов и вызываются посреди диалога одним словом.

Жёсткие операционные границы

Отдельный блок нужен, чтобы остановить фирменную привычку топовых моделей «находить работу, о которой не просили»: не расширять задачу до рефакторинга и документации, не заявлять о завершении без доказательств, никогда не добавлять co-author в коммит. Здесь же и раздражающий трюк с автоатрибуцией Anthropic в сообщениях коммитов, который многие разработчики хотят просто выключить.

In-context дистилляция как последний штрих

Финальная техника — взять удачный ответ понравившейся модели (в видео это Claude Fable), вручную подчистить его и вставить в системный промпт как пример «делай так» рядом с примером «а не так». Это старый как GPT-3.5 приём few-shot-обучения, просто применённый не к одному запросу, а к системному уровню — отсюда и мультипликативный эффект.

Кому это пригодится

Ничего из перечисленного не требует новой модели или API-доступа — только внимательной работы с флагом system prompt в Claude Code или аналогичной настройкой в любом другом агентском инструменте. Тезис звучит провокационно на фоне разговоров о «смерти» prompt engineering, но именно системный промпт — то место, где ручная, вдумчивая формулировка окупается на каждом последующем вызове агента. Сегодня это способ утихомирить Opus 5; завтра — любую другую модель с похожими речевыми тиками.