Папка вместо привязки: как я перестал выбирать между ChatGPT и Claude

Каждый раз, когда выходит новая модель — Claude Fable 5.1 в паре с GPT6 Astra на прошлой неделе тому пример, — начинается ритуал сравнения бенчмарков и споров, кто лучше. Ютубер Dylan Davis в разборе «I Stopped Choosing Between ChatGPT and Claude» предлагает вопрос сменить: неважно, какая модель сильнее в моменте, если инфраструктура вокруг неё не даёт свободно переключаться. Ответ на вопрос, как перейти с ChatGPT на Claude и обратно без потерь, оказывается не про модель, а про то, где хранится контекст задачи.

Почему трудно перейти с ChatGPT на Claude

Проблема в том, что вся «обвязка» модели — инструкции, память, история чата, проекты — живёт внутри конкретного продукта. Пользовательские GPT и облачные проекты Claude не переносятся один в один: их можно скопировать вручную, но это разовая операция, а не рабочий процесс. В итоге пользователь оказывается привязан не к модели, а к оболочке вокруг неё, и сравнение цены за токен — Astra выходит в 8–9 раз дешевле Fable 5.1, по словам автора, — теряет смысл, если задачу физически невозможно перенести к более дешёвому или более подходящему поставщику.

Общая папка вместо привязки к одному сервису

Решение у Davis простое до банальности: вынести всё, что определяет поведение агента, из продукта на диск — в обычную папку, которую видят оба десктопных агента (и у ChatGPT, и у Claude есть режимы с доступом к файловой системе). Внутри — минимальный, но обязательный набор.

AGENTS.md и CLAUDE.md

Два файла с инструкциями для задачи, по одному под каждого провайдера, которые агент перечитывает при каждом обращении к папке. Автор советует держать их короче ~100 строк: чем длиннее файл, тем дороже и медленнее каждое обращение к нему.

Skills как переносимый формат

Skills описаны как открытый стандарт: файл, созданный в Claude, можно без изменений загрузить в ChatGPT. Это единственный элемент экосистемы, который в видео явно называется межплатформенным — и именно поэтому логику задачи стоит переносить в skill, а не в проприетарные «пользовательские GPT» или Projects.

Файл уроков и папки input / output / archive

Отдельный markdown-файл (lessons.md, memory.md — имя не важно) копит однострочные датированные заметки о предпочтениях и исправлениях; повторяющиеся уроки со временем превращаются в правило внутри инструкций. Рядом — три служебные папки: во входящую пользователь кладёт файлы, агент кладёт результат в исходящую и переносит обработанное в архив. Так задача становится воспроизводимой независимо от того, какая модель её выполняет сегодня.

Когда действительно стоит менять модель

Если инфраструктура готова, вопрос смены поставщика сводится к трём практическим триггерам: упёрлись в недельный лимит использования, модель систематически проваливает конкретную задачу даже после доработки промпта, или вышла новая версия, которую хочется проверить на той же папке. Отдельно Davis описывает приём для задач с высокой ценой ошибки — юридических, финансовых, репутационных: одна модель делает работу, другая, без доступа к готовому результату, проверяет её с нуля по тем же входным файлам. Раздельные input-папки для теста нужны, чтобы вторая модель не могла «подсмотреть» чужой результат и выдать его за собственный.

Что это значит для тех, кто уже работает с Claude Code

Для читателей, которые уже используют CLAUDE.md в Claude Code, ничего экзотического в подходе нет — это тот же принцип: контекст и инструкции живут в репозитории или в папке проекта, а не в памяти конкретного чата. Ценность видео в том, что оно распространяет этот принцип на выбор поставщика модели в целом: не спорить, какая модель лучше в этом месяце, а держать задачу в формате, при котором ответ на этот вопрос вообще не критичен.

Итог простой: разговоры о превосходстве одной модели над другой быстро устаревают — через месяц выйдут GPT7 и Fable 6, и расстановка сил снова изменится. Единственное, что не устаревает, — независимая от продукта структура задачи: пара инструкций, переносимые skills, лог уроков и чёткое разделение входа и выхода. Настроив её один раз, дальше действительно можно выбирать модель под задачу, а не подстраивать задачу под то, к какому продукту вы привыкли.