Почему Fable 5, Opus 4.8 и GPT-5.x требуют разных промптов
Оба вендора сходятся в базовых правилах: ставить цель и критерии результата вместо длинного пошагового процесса, убирать лишние ALWAYS и NEVER и не перегружать промпт угрозами и капсом. Промпт становится версионируемым артефактом, привязанным к конкретной модели: инструкции, которые помогали старой версии, у новой могут расходовать reasoning-токены, усиливать противоречия или снижать качество.
У Anthropic большая часть коррекции поведения остаётся в тексте промпта, тогда как OpenAI выносит её в параметры API: reasoning_effort, verbosity и phase. Внутри линейки Anthropic различия ещё заметнее: Opus 4.8 нужно активнее направлять к инструментам и субагентам и чаще запускать на high или xhigh effort, а Fable 5 охотно делегирует сам, поэтому ему нужны границы, high как базовый effort и проверка отчётов о прогрессе по фактическим результатам инструментов.
Автор предлагает держать общий контракт из цели, критериев успеха, ограничений, формата результата и стоп-правил, а модельные особенности вынести в оверлеи на несколько строк. В его кейсе старый промпт под Opus заставлял Fable 5 перепроверять уже заданные факты и планировать вместо выполнения: один запуск занял около полутора часов и 200 тыс. токенов; после упрощения инструкций модель стала работать ближе к ожидаемому профилю. Миграцию нужно сопровождать evals, версионированием в git и проверкой устаревших паттернов.
Коротко
- На Fable 5 просьба «показать ход мыслей» может вызвать отказ reasoning_extraction и переключение на Opus 4.8, поэтому её заменяют кратким обоснованием.
- В моделях Claude новее 4.6 prefill ответа больше не используют для принудительного JSON: вместо него Anthropic рекомендует Structured Outputs.
- Fable 5 может преждевременно сворачивать работу, если видит уменьшающийся остаток контекста; счётчик лучше скрыть или явно снять тревогу.
- OpenAI, по описанию статьи, сворачивает prompt-объекты API и рекомендует хранить промпты в репозитории, ревьюить через PR и версионировать.
FAQ
Зачем разделять общий каркас промпта и модельные оверлеи при работе с Fable 5, Opus 4.8 и GPT-5.x?
Так общая логика задачи не размножается по нескольким копиям, а различия в effort, делегировании, инструментах и отчётах меняются отдельно для каждой модели.
Какие старые инструкции стоит проверить в первую очередь перед переносом промптов на новую модель из другого семейства?
Автор советует искать пошаговые чек-листы, лишние ALWAYS и NEVER, принудительные отчёты о прогрессе и просьбы показать внутренний ход рассуждений.
Как выбирать reasoning effort для Fable 5 и Opus 4.8, если одна и та же задача запускается на обеих моделях?
В описанных рекомендациях для Opus 4.8 базой для сложных агентских задач служат high или xhigh, для Fable 5 — high, а xhigh включают точечно после evals.
Читайте также
Как кодинг-агенты используют инструменты, память и контекст репозитория, чтобы писать код лучше- Стоит ли использовать Qwen: качество и цена
- Субагенты в Claude Code
- Как я добавил MAX в китайский AI-мост и запустил Claude прямо в мессенджере
- Rich Messages в Telegram-ботах: сложные сообщения, черновики и ограничения
- Промпты нужно версионировать вместе с моделями: Промпт следует считать артефактом, привязанным к конкретному семейству и версии LLM, а не универсальной инструкцией. При смене модели старые ограничения и поведенческие «заплатки» могут стать бесполезными, увеличить расход токенов или ухудшить результат.
[Управление промптами]
Зарегистрированные пользователи видят только два тезиса.
Зарегистрироваться
Anthropic и OpenAI рекомендуют перенастраивать промпты при переходе на новое семейство моделей, а не переносить старые инструкции без изменений. Практический вывод автора: общий каркас можно сохранить, но поведение Fable 5, Opus 4.8 и GPT-5.
x нужно задавать отдельными короткими оверлеями.