Как переписывать промпты под разные модели: Anthropic и OpenAI советуют разное

Один и тот же промпт может работать по-разному даже в продуктах одного и того же вендора. На примере Claude Fable 5 и Opus 4.8 это особенно заметно: советы по настройке задач местами буквально противоположны.

Почему один промпт перестал работать

Автор заметки подключил Claude Fable 5 и сначала разочаровался: модель казалась сильной, но в реальной работе вела себя хуже, чем ожидалось. В одном из запусков агент слишком разросся по токенам и потратил массу ресурсов на одну задачу.

Проблема оказалась не только в самой модели, но и в подходе к промптам. Когда был найден отдельный гайд Anthropic именно под Fable 5, стало ясно: старые инструкции, которые раньше помогали, теперь могут мешать.

Что именно советуют менять

Anthropic теперь рекомендует настраивать промпты под конкретную модель, а не рассчитывать на универсальный шаблон. Для Opus 4.8 полезно сильнее подталкивать модель к использованию субагентов и более сложной декомпозиции задач, а для Fable 5, наоборот, лучше держать сценарий сдержаннее и не перегружать его лишними шагами.

Отдельный сюрприз — просьба объяснить ход рассуждений. То, что годами считалось удобной практикой, у Fable 5 может вызывать отказы. Для пользователей это важный сигнал: один и тот же стиль общения с ИИ не всегда одинаково полезен для разных моделей.

Что это значит на практике

Для бизнеса, маркетинга, офиса и учебы вывод простой: промпты стоит хранить как набор отдельных рабочих сценариев, а не как один универсальный документ. Тогда под каждую модель можно быстро подобрать свой стиль запроса и не терять время на случайные сбои.

Такая настройка особенно полезна, если вы используете ИИ для аналитики, текстов, исследований или автоматизации задач. Чем точнее промпт под модель, тем меньше лишних токенов, отказов и переделок — а значит, выше скорость работы и предсказуемее результат.

Частые вопросы

Нужно ли переписывать все промпты под каждую модель?

Не все, но самые важные стоит разделить. Если вы часто работаете с разными моделями, отдельные шаблоны помогут избежать лишних отказов и странного поведения.

Почему один и тот же запрос может работать хуже на новой модели?

Потому что у моделей разные предпочтения по структуре задачи, уровню детализации и стилю инструкции. То, что помогает одной, может перегружать другую.

Какой главный вывод для обычного пользователя?

Не считать промпт универсальным. Лучше немного адаптировать запрос под конкретный ИИ-сервис, чем ждать одинакового результата от всех моделей.