Я разобрал, как люди работают с Claude, и половину своих настроек выкинул

Claude у меня включён каждый день. На нём висит производство контента, клиентские проекты, внутренняя операционка. При этом почти всё, что я про него знаю, собрано по кускам: где-то прочитал тред, где-то попробовал сам, где-то скопировал чужой конфиг и оставил, потому что вроде не мешает.

Для первого года нормально. Для четвёртого уже стыдно.

Поэтому я сел и разобрался нормально. Запустил несколько агентов параллельно, каждый копал свою тему: документация, академические работы, треды на X, обсуждения на Reddit и Hacker News, разборы практиков в блогах. Вопрос был не «топ-10 лайфхаков», а другой: что люди правда делают, что из этого кто-то измерял, а что просто разошлось по интернету и с тех пор кочует из статьи в статью.

Ушёл день. На выходе документ на две с лишним тысячи строк и несколько открытий, от которых мне стало неловко за собственный конфиг.

Больше контекста — хуже ответ

Интуиция говорит: дам модели побольше информации, чтобы она точно всё учла. Работает ровно наоборот.

Группа Chroma опубликовала работу под названием Context Rot, «гниение контекста». Они прогнали 18 моделей, включая Claude, GPT и Gemini, и показали: качество падает с ростом объёма контекста задолго до того, как контекст заполнится. Проседает даже на задачах уровня «найди эту фразу в тексте».

Отдельно и независимо: Anthropic срезала больше 80% системного промпта у самого Claude Code, когда обнаружила, что переограничивала модель инструкциями. Их же официальная рекомендация по размеру файла с постоянными инструкциями — меньше 200 строк, с прямой формулировкой, что длинные файлы съедают контекст и снижают соблюдение правил.

Хуже всего то, что модель не скажет, что запуталась. Человек переспросит. Модель уверенно выдаст результат, в котором половина твоих правил не участвовала, и ты об этом не узнаешь.

У меня глобальный файл инструкций разросся до бизнес-целей, финансовых планов, описания аудитории и правил дизайна. Он грузился в каждую сессию, включая ту, где я чиню бота на сервере. Бизнес-цели там не помогают, а место занимают. Разрезал: правила визуального стиля теперь подтягиваются только когда открыт файл вёрстки, бизнес-контекст — только в контентных папках, в общем файле осталось то, что применимо всегда.

Одну вещь скажу отдельно, потому что она про доверие ко всему остальному. По блогам гуляют точные пороги вроде «правила начинают отваливаться после 80 строк». Таких замеров не существует, люди написали это по ощущениям. Направление верное, цифры выдуманы. Я специально ходил проверять, потому что сам их когда-то пересказывал.

Треть окна занята до того, как ты написал первое слово

Один практик замерил скучную вещь: сколько занимают подключённые внешние сервисы ещё до первого сообщения пользователя. Семь сервисов — 67 300 токенов. Треть стандартного окна.

Механика простая: каждый подключённый сервис грузит описания всех своих команд в каждое сообщение, независимо от того, пользуешься ты им сейчас или нет. Notion нужен в контентных задачах, но он честно едет с тобой и в отладку кода, и в разбор таблицы.

Я отключил всё, чем не пользовался последний месяц. Ориентир по практике — пять-шесть активных, у меня было заметно больше. Причём я про это даже не думал: подключил когда-то под разовую задачу и забыл, а оно каждый день тихо съедало треть.

Второе, что я сделал по этому пункту, выглядит как мелочь: вывел процент заполнения контекста в строку статуса. Эффект оказался сильнее, чем от всех правил, которые я себе до этого писал. Пока цифру не видно, ты просто работаешь, пока не станет плохо. Когда видишь «73%», сам закрываешь тему, а не начинаешь новую.

Совет из пяти моделей не работает

Здравый смысл подсказывает: спрошу несколько моделей, возьму большинство, ошибусь реже. Для людей с разным опытом это правда. Для моделей нет.

Есть работа с говорящим названием «Девять судей, два эффективных голоса». Панель из девяти передовых моделей семи разных семейств даёт информации примерно на два независимых голоса. Три четверти номинальной независимости теряется, а фактическая точность отстаёт от теоретической на 8–22 процентных пункта.

Причина в том, что все модели учились примерно на одном интернете. Если в задаче есть ловушка, на которую ведётся одна, с большой вероятностью на неё же ведутся остальные. Ошибки случаются вместе, а голосование помогает только когда ошибки независимы. Это как спросить девять человек, которые окончили один вуз у одного преподавателя: формально девять мнений, фактически полтора.

Отсюда не следует, что второе мнение бесполезно. Следует другое понимание его ценности. Смысл не в том, что двое проголосовали за. Смысл в том, что модель другого производителя ошибается в других местах, и потому полезно не согласие, а расхождение: смотреть надо туда, где два разбора разошлись.

И ещё одна деталь, которая мне стоила дороже всех остальных находок. Модели склонны поддакивать. Вопрос «что думаешь об этом решении?» почти всегда даёт одобрение. Вопрос «попробуй доказать, что это сломано» даёт содержательную критику. Разница только в формулировке, и я года три задавал первый вариант.

Обычные файлы победили векторные базы

Долгое время «дать модели свои знания» означало сложную схему: нарезать документы на кусочки, превратить в числа, сложить в специальную базу, при вопросе искать похожее. Это RAG, вокруг него выросла целая индустрия, и я честно собирался туда идти.

Оказалось, для личной базы знаний это лишнее. Один из основателей OpenAI, команда Manus, встроенная память Claude Code, несколько крупных открытых проектов — все независимо пришли к одному: markdown-файлы плюс оглавление. Модель ориентируется по оглавлению, как человек по содержанию книги. Даёшь список «вот такие темы лежат в таких файлах», она сама открывает нужное.

Никакой инфраструктуры, всё читаемо человеком, всё чинится руками.

Обычно я к таким консенсусам отношусь настороженно, но здесь интересный момент: среди пришедших к этому выводу есть те, кому продавать векторные базы было бы выгоднее. Когда вывод идёт против собственного коммерческого интереса, ему можно верить чуть больше обычного.

Граница применимости честная: речь про сотни документов. На десятках тысяч всё разворачивается обратно.

Всё, что нужно вызывать руками, не вызывается

Этот вывод повторился у разных авторов в трёх независимых темах, и он полностью про меня.

Ты завёл полезную команду. Первую неделю пользуешься. Потом забываешь. Через месяц не помнишь, что она у тебя вообще есть.

Это не про дисциплину. В момент, когда команду надо позвать, ты занят содержанием задачи, а не мыслями о своём инструментарии. Я так похоронил штук пять хороших заготовок, каждая из которых экономила мне минут двадцать.

Лечение одно: сделать так, чтобы вызывать было не нужно. Не «не забыть проверить перед публикацией», а «попытка закончить сама запускает проверку». В Claude Code для этого есть механизм под названием хуки: твоя маленькая программа, которую система запускает сама в нужный момент. Инструкцию в тексте модель может потерять, а хук выполняется всегда.

Самый полезный из них ставится минут за десять и не выпускает агента с отчётом «готово», пока проверка не прошла. Проверкой может быть что угодно: тесты, отсутствие заглушек в черновике, отсутствие эмодзи в тексте. Последнее у меня отдельное больное место, и теперь оно закрыто не силой воли, а тремя строчками.

Что со всем этим делать

Если сводить весь разбор к одной фразе, получится такая: выстроенный процесс важнее того, какая именно модель внутри.

Люди, которые получают от AI кратно больше остальных, отличаются не подпиской и не секретным промптом. У них контекст, который не разбухает, база знаний, которая не устарела, и проверки, которые нельзя забыть запустить. Скучно, зато работает.

Ни одна из этих вещей не требует уметь программировать, а половина настраивается за час. Я, честно говоря, до сих пор сделал не всё из своего же списка.

Разбор целиком, с разделением на то, что подтверждено замерами, что практикой, а что просто выдумано и разошлось, я переработал в руководство на 128 страниц. Там два трека: базовый, где всё делается через интерфейс и простые команды, и продвинутый, с готовым кодом для тех, кому нужны гарантии, а не пожелания. И словарь терминов в начале, потому что половина проблем в этой теме от того, что люди стесняются спросить, что вообще такое «контекстное окно».

Забрать можно здесь: Claude как рабочий инструмент.