Anthropic разобрали механику работы с Claude Fable: качество кода теперь упирается в умение разработчика находить собственные слепые зоны

В свежем разборе механик Claude Fable инженеры Anthropic сформулировали неочевидный тезис: качество агентного кодинга больше не упирается в лимиты модели. Теперь главный навык разработчика — умение находить и прояснять собственные слепые зоны до того, как нейросеть начнет писать код. Разница между вашей ментальной картой задачи и реальной территорией кодовой базы генерирует пустоты. Чем масштабнее фича, тем чаще агент будет в них проваливаться, принимая неверные архитектурные решения.
Всю работу с контекстом предлагают делить через матрицу неизвестных. Если с прямыми инструкциями все понятно, то неизвестные известные — вроде визуального стиля или негласных стандартов проекта — лучше выявлять через быструю генерацию черновых HTML-прототипов. Самая сложная категория — неизвестные неизвестные. Это чужие модули, легаси и подводные камни архитектуры, о которых вы даже не догадываетесь при постановке задачи агенту.
Чтобы обойти эти ограничения, процесс делегирования нужно инвертировать. На старте разработчики Anthropic используют blind spot pass — прямо просят Claude проанализировать незнакомый кусок базы и указать, какие вопросы человек забыл задать. Затем агент переходит в режим интервьюера, задавая вопросы, ответы на которые критически влияют на архитектуру. А в качестве референсов для сложной логики модели скармливают не текстовые описания, а папки с исходным кодом сторонних библиотек — так агент считывает нужную семантику точнее любых абстрактных объяснений.
Поделиться:
Ещё из архива
Все публикации
Интервью с Владимиром Аюевым: графический язык бигтеха, студия SASHA и дизайн-образование
1 месяц назад
Jockey от TwelveLabs: ИИ-агент для семантического поиска по видеоархивам и извлечения метаданных
1 месяц назад
Архитектура винной этикетки: баланс наборного шрифта и каллиграфии в кейсе Winecraft
1 месяц назад
Оптимизация контекста в Claude Code: как работает кэширование промптов и за что мы платим
1 месяц назад
Архитектура памяти для LLM-агентов: от базового SQLite до Graph RAG
1 месяц назад