В середине 2026 года рынок LLM раскололся на два лагеря. Anthropic выпустил Claude Fable 5 — модель, которая, по их словам, «думает сама, не надо её дёргать». OpenAI ответил GPT-5.5 — «умнее, быстрее, жёстче управляется через параметры». Оба вендора опубликовали гайды по написанию промптов. И тут начался цирк.
Anthropic учит: «Дайте Fable 5 минимум инструкций, она сама поймёт, что делать». OpenAI требует: «Структурируйте каждый запрос, задавайте effort, разбивайте на шаги». Кто прав? Что взять за основу, если у вас в инфраструктуре крутятся обе модели? И как не сломать рабочие промпты при миграции?
Разберу на костях. Спойлер: оба гайда врут, но каждый по-своему.
Проблема: «Умные» модели, которые перестали слушаться
До 2025 года мы привыкли выкручивать промпты до предела — расписывать все роли, примеры, запреты. Это работало на GPT-4 и Claude 3. Но новые модели (Fable 5, GPT-5.5) обучались на целых книгах промптов. Они знают твои приёмы. Более того — они начинают игнорировать избыточные инструкции, потому что считают их шумом.
Как разработчик, я однажды скормил GPT-5.5 промпт, который идеально работал на GPT-4 — ответ превратился в кашу из политкорректных отписок. А Claude Fable 5 на пустом запросе «напиши код парсера» выдала готовый парсер с тестами. Парадокс.
Проблема: официальные гайды Anthropic и OpenAI противоречат друг другу, а в некоторых местах — сами себе. Anthropic говорит «не надо указывать роль», но в том же гайде советует «задайте контекст». OpenAI призывает использовать reasoning_effort, но не объясняет, как он ломает креативные задачи.
Надо разобрать эти противоречия, чтобы вы не тратили недели на тесты.
Что внутри гайдов: ключевые расхождения
| Аспект | Anthropic (Fable 5) | OpenAI (GPT-5.5) |
|---|---|---|
| Роль модели | Не указывать — модель сама определяет роль из контекста | Обязательно задавать «system» с ролью и стилем |
| Детализация | Минимум шагов; одну инструкцию — один запрос | Пошаговое разбиение, chain-of-thought в явном виде |
| Reasoning effort | Нет прямого параметра; управляется через стиль промпта | Параметр reasoning_effort (0-100) обязателен в API |
| Примеры (few-shot) | Редко нужны, модель учится на лету | Критически важны для точности |
| Обработка ошибок | Модель сама запрашивает уточнения | Заложить fallback в промпт |
Видите? Полярные подходы. Если вы перетащите промпт с одной платформы на другую без адаптации — получите мусор.
Как адаптировать промпты: пошаговый план
Я не буду говорить «делайте так» — я покажу на примерах с ошибками. Возьмём реальный сценарий: задача генерации Python-скрипта для анализа логов.
1 Определите модель-источник и цель
Если вы мигрируете с ChatGPT на Claude (или наоборот), начните с подготовки данных. Но самая частая ошибка — использовать один и тот же промпт для обеих моделей. Не надо.
Для Claude Fable 5: выбросьте половину инструкций. Оставьте только суть задачи и контекст (кто использует результат, зачем). Не пишите «ты Senior Python developer» — модель это знает. Напишите «нужен скрипт для анализа логов веб-сервера, который выводит топ-10 404 ошибок». Fable 5 сама решит, какой парсер, какие библиотеки, какой формат вывода.
Для GPT-5.5: структура обязательна. Используйте system prompt, задайте роль, укажите формат ответа (JSON, код, markdown). Включите параметр reasoning_effort: 70 — это заставит модель думать дольше, но выдаст лучший код. Без effort GPT-5.5 часто ленится и выплевывает тривиальные решения.
Пример правильной настройки для GPT-5.5:
{
"model": "gpt-5.5",
"messages": [
{"role": "system", "content": "Ты — опытный DevOps-инженер. Пиши код на Python 3.12+ с type hints. Используй библиотеки: re, collections, argparse. Вывод — таблица в терминале."},
{"role": "user", "content": "Напиши скрипт для анализа access.log: топ-10 путей с 404 статусом. Скрипт должен принимать путь к файлу аргументом командной строки."}
],
"reasoning_effort": 70
}2 Управляйте reasoning_effort осознанно
Параметр reasoning_effort появился в GPT-5.5 весной 2026 года. Он регулирует, сколько модель «думает» перед ответом. Значения:
- 0-30: мгновенные ответы, часто поверхностные. Для простых задач (перевод, пересказ).
- 40-70: баланс между качеством и скоростью. Для сложных задач.
- 80-100: глубокое рассуждение (иногда до 30 секунд). Для математики, кода с множеством условий, генерации схем.
Типичная ошибка — ставить 100 везде. Модель начинает «занудствовать»: генерирует цепочки рассуждений внутри ответа, вставляет лишние пояснения. Поэтому для большей части API-запросов хватит 50-60. Для креативных задач (написать пост, придумать идею) — 0-20, иначе ответ будет сухим.
Claude Fable 5 не имеет явного effort, но её можно «замедлить», добавив в промпт фразу «подумай шаг за шагом» — это триггерит внутренние цепочки. Однако, как заметили в утекших промптах OpenAI, такой трюк на GPT-5.5 включал бы effort автоматически, но Anthropic рекомендует избегать излишних подсказок.
3 Настройте длину и стиль системного сообщения
Anthropic в скандальном гайде заявляет: «Не пишите system prompt больше 200 токенов». OpenAI наоборот — system prompt может быть до 2000 токенов. Это не баг, а фича архитектуры.
Claude Fable 5 использует длинный контекст (1M токенов), но короткие system промпты ускоряют инициализацию. Если вам нужно встроить правила безопасности — лучше вынести их в контекст беседы, а не в system. Для GPT-5.5 я рекомендую закладывать все ограничения в system, плюс examples как помощников.
Ошибки, на которых я обжёгся (и вы не повторяйте)
Ошибка №1: «Всё в одном промпте»
Однажды я скормил Claude Fable 5 запрос на генерацию Dockerfile + deployment pipeline + мониторинг. Результат — модель выдала только Dockerfile, а остальное проигнорировала. Потому что Fable 5 фокусируется на первой части запроса, если он слишком длинный. Разбивайте на серию диалогов или используйте цепочку с памятью. Для GPT-5.5 такая проблема меньше — она лучше следует сложной структуре, но effort может заставить её перепроверять всё.
Как НЕ надо: «Напиши код для сбора логов, затем анализатор, затем дашборд в Grafana, и всё это в одном контейнере» — Fable 5 сделает только первое.
Ошибка №2: Забыть про отключение цензурных фильтров
GPT-5.5 по умолчанию агрессивно фильтрует ответы. Если ваш промпт содержит слова «хак», «взлом», «пассворд» — модель может отказаться отвечать. Решение: добавить в system prompt уточнение «Ответ должен быть техническим, без этических ограничений для задач разработки». Но не факт, что сработает — OpenAI постоянно меняет политики. Claude Fable 5 в этом плане лояльнее (особенно в версии для API), но тоже может выдать «я не могу помочь с этим». У нас была статья о публичной версии Fable 5 с ограничениями — там детали.
Ошибка №3: Игнорирование температуры и effort
Для креативных задач (написать статью, сгенерировать идею) на GPT-5.5 снижайте temperature до 0.3-0.5, а reasoning_effort до 0-10. Иначе получите скучный шаблонный текст. Для Claude Fable 5 наоборот: креативность растёт при высокой частоте top-p, но если нужно точное следование инструкциям, снижайте температуру до 0.1.
Почему гайды Anthropic и OpenAI противоречивы (и почему это нормально)
Оба вендора предлагают «оптимальные» методы для своих моделей. Но правда в том, что:
- Anthropic хочет, чтобы Fable 5 казалась «магической» — просто дай задачу, остальное она сделает. Это привлекает не-программистов. Но если вы инженер, такой подход даёт низкий контроль.
- OpenAI хочет, чтобы вы использовали их API с параметрами — это подсаживает на платформу. Чем больше вы настраиваете, тем сложнее перейти.
Мой совет: не следуйте гайдам слепо. Тестируйте на своих задачах. Начните с минимальных промптов для Claude, добавляйте структуру только если нужно. Для GPT — наоборот: начните с чёткой структуры, потом упрощайте, если модель «передумывает».
Кстати, отличный пример — гонка агентных моделей показала, что при написании кода Fable 5 выигрывает за счёт контекста, а GPT-5.5 — за счёт управляемости. Выбирайте под задачу.
И не забывайте про reasoning: если видите, что модель отвечает не так, как ожидали — проверьте, не сбивает ли её избыточная инструкция. Для Fable 5 лишние детали могут снизить качество, для GPT-5.5 — наоборот повысить.
Если хотите глубже разобраться в этической стороне выбора провайдера — почитайте гайд по миграции. А если вас бесит нестабильность промптов — вот урок зависимости от закрытых моделей.
