Boris Cherny: We Cut 80% of Claude Code's Prompt (Рубрика AI4SDLC)
Посмотрел выступление Boris Cherny, создателя Claude Code, на Y Combinator Startup School 2026 — записанное на следующий день после релиза Opus 5. Его интервью в подкасте Lightcone я уже разбирал, как и внутреннее устройство Claude Code, а тут главное — продуктовая философия: под новое поколение моделей команда вырезала больше 80% системного промпта, и, по словам Бориса, без измеримой потери качества на их кодинг-evals.
Логика такая: системный промпт — это по большей части накопленные заплатки под ошибки конкретного поколения моделей. Новая модель этих ошибок уже не совершает, а старые инструкции и примеры начинают ее ограничивать: «ты хочешь ответы вот такие» — и модель послушно равняется на устаревший образец. Поэтому методология у команды жесткая: с каждым релизом модели промпт вычищается почти до нуля, а строки возвращаются только тогда, когда модель повторно спотыкается на одном и том же. По рассказу Бориса, есть даже флаг CLAUDE_CODE_SIMPLE=1, убирающий вообще все промпты, включая зашитые в тулы, — и в таком «голом» режиме модель на замерах оказывается даже чуть умнее. То же с evals: они насыщаются за 1-3 поколения моделей, после чего их нужно пересобирать.
Продуктово мне понравился термин product overhang: у модели есть способности, которые продукт не раскрывает, потому что сам стоит у нее на пути. Claude Code родился именно из такого наблюдения: Sonnet 3.5 уже умел писать целые файлы и фичи, а продукты вокруг предлагали автокомплит и read-only чат. Получается, ценность харнеса не в том, что он добавляет поверх модели, а в том, чему он не мешает, — хорошая рифма к harness factory model из The New SDLC, который я разбирал.
Про навыки: Борис описывает сдвиг от prompt engineering через context engineering к elicitation — умению дать модели задачу «чуть сложнее, чем кажется возможным» плюс механизм верификации, не переспецифицируя решение. Формула как с сильным коллегой: задача, ограничения, критерии готовности. Забавно смотрится на фоне книги Prompt Engineering for LLMs — за полтора года дисциплина прошла путь от «как правильно писать инструкции» до «как их правильно удалять». И это согласуется с исследованием Anthropic про экспертизу: успех с агентом определяется умением ставить задачу и проверять результат, а не магическими формулировками.
Масштаб иллюстрируют две истории, обе со слов Бориса: команда Bun переписала с Claude больше 100 тысяч строк рантайма с Zig на Rust за 11 дней непрерывной работы (людьми — год с лишним), а его собственный эксперимент по переписыванию Electron-приложения на нативный Swift к моменту доклада шел третью неделю с тысячами порожденных агентов — и Claude сам завел Slack-канал, куда постит скриншоты прогресса.
Для меня главный вывод: системный промпт и CLAUDE.md — это технический долг со сроком годности в одно поколение моделей. Инструкции, накопленные под прошлую модель, для новой превращаются из подпорок в ограничители, поэтому «press delete» — не жест смелости, а регулярная инженерная процедура, как чистка зависимостей.
P.S. В общем, если у вас есть ~~неограниченный~~ доступ к SOTA моделям, то вам все меньше надо императивно управлять потоком исполнения и загонять модель в рамки. Вместо этого вы переходите к классической инверсии контроля (IoC, Inversion of Control), где модель использует «голливудский принцип» («не звоните нам, мы сами вам позвоним») и модули низкого уровня не вызывают модули высокого уровня (а здесь это модель) напрямую. Вместо этого модель сама управляет вызовами и дергает доступные модули, когда ей это нужно.
#AI4SDLC #AI #Agents #Evals #DevTools #Engineering