Почти два года я использовал один и тот же промпт для Claude и не задавал вопросов. Он работал, поэтому причин менять не было. Затем я изменил всего семь слов. Задача та же, модель та же, день тот же — но Claude стал заметно лучше следовать инструкциям.
Это не был случайный трюк. Так я обнаружил, что одна из моих самых старых привычек в промптинге незаметно устарела. Пришлось заново перечитать официальную документацию Anthropic.
В команде Dragons Lab — маркетинговое агентство Dragon Farm — мы часто видим, как специалисты продолжают использовать промпты двухлетней давности. Поэтому собрали пять изменений, которые дают реальное преимущество тем, кто перестроился.
Почему старые промпты перестали быть сильным ходом
Модели Claude изменились. Они стали лучше распознавать структуру, но одновременно стали чувствительнее к перегруженным инструкциям. Приёмы, которые помогали в 2023 году, не исчезли, но официальные рекомендации Anthropic сместились: меньше «магии ролей», больше явной структуры, примеров и контроля вывода.
Главное, что изменилось: Claude больше не нужно объяснять, как думать. Ему нужно создавать условия, в которых ответ сложно сгенерировать неправильно.
1. XML-разметка вместо сплошного текста
Раньше в промпте писали сплошным текстом: «Сделай то, потом то, не забудь это». Сейчас Anthropic рекомендует оборачивать части промпта в XML-теги: <instructions>, <examples>, <format>, <constraints>. Это не косметика. Модель обучена воспринимать теги как жёсткие границы смысловых блоков.
Было: «Напиши пост и учти tone of voice, целевую аудиторию, оффер». Стало: <instructions>… <tone>… <audience>… <offer>… </instructions>. Разница в стабильности результата особенно заметна на длинных задачах.
Когда Claude работает внутри агентских процессов, XML-разметка снижает вероятность случайных отклонений от сценария. Для нас это базовая гигиена промпта, а не продвинутый трюк.
2. Примеры сильнее длинных инструкций
Если вы объясняете формат ответа тремя абзацами, попробуйте заменить их одним примером. Официальная документация Anthropic подчёркивает: few-shot примеры часто работают точнее, чем подробные текстовые правила. Claude дообучался на данных, где структура «вход → пример → выход» встречается чаще, чем длинные своды ограничений.
Для маркетинговых задач это особенно заметно: заголовки, письма, описания товаров. Один пример с нужным тоном заменяет пять уточнений.
Пример — это не иллюстрация. Это спецификация формата, которую модель копирует точнее, чем пересказ правил.
3. Prefill: заставьте Claude начать с нужного
Один из самых недооценённых приёмов — prefill. Вы не просите «верни JSON», а сами начинаете ответ модели: {«title»: «. Claude продолжит ровно с этого места. Это работает и в API, и в Claude.ai, и в агентских сборках.
Prefill полезен, когда нужен строгий формат: HTML-блок, JSON, SQL-запрос, структура письма. Он убирает случайные вступления и экономит токены на исправлениях.
В наших внутренних тестах prefill заметно снижал долю ручной доработки. Особенно в задачах, где Claude должен отдавать контент сразу в вёрстку или в базу данных.
4. Размышления в thinking-блоке, а не «думай по шагам»
Старое правило «think step by step» всё ещё работает, но документация Anthropic предлагает более управляемый вариант: выделить размышления в отдельный блок <thinking> и ответ в <answer>. Либо использовать режим extended thinking через API.
Это особенно важно для сложных аналитических задач: когда Claude анализирует данные, строит цепочку аргументов или проверяет противоречия в тексте. Вы получаете прозрачность и меньше галлюцинаций, потому что модель отделяет черновик рассуждения от финального ответа.
В связке с ИИ-агентами это становится критичным. Если агент принимает решения на основе вывода Claude, нужно видеть, почему он пришёл к выводу.
5. System prompt — это контекст, а не роль
Многие до сих пор пишут в пользовательском сообщении: «Ты — эксперт по маркетингу». Проблема в том, что роль в user message смешивается с задачей, и при смене задачи контекст размывается. Anthropic рекомендует выносить стабильные инструкции в system prompt: роль, tone of voice, ограничения, формат вывода, доступные инструменты.
В user message тогда остаётся только конкретная задача и данные. Это делает поведение модели предсказуемым, особенно в продуктах, где один system prompt обслуживает десятки разных запросов.
Пример для агентства: system prompt для генерации контента содержит style guide и запреты, user message — тему, аудиторию и оффер.
Как применять это в маркетинговых процессах
Эти пять приёмов мы уже применяем в Dragons Lab. XML-разметка и prefill позволяют генерировать контент в строгом HTML-формате без ручной обработки. Few-shot примеры ускоряют адаптацию под tone of voice клиента. А thinking-блоки помогают проверять гипотезы перед запуском кампаний.
Сначала аналитика, потом оптимизация
Промпты — только половина системы. Чтобы понять, какой вариант даёт конверсию, а не просто «красивый текст», нужна настройка сквозной аналитики и лидгена. Без неё вы будете оптимизировать промпты вслепую.
Автоматизация без ручной обработки
Если вы собираетесь встроить Claude в автоматические цепочки, рекомендуем посмотреть, как устроено внедрение ИИ-агентов и n8n воркфлоу. Там эти принципы работают в связке: system prompt, prefill, XML — всё, что нужно для стабильного результата без ручного копирования.
Вывод
Преимущество получают не те, кто знает секретный промпт, а те, кто пересматривает базовые настройки. Пять изменений — XML-разметка, примеры, prefill, thinking-блоки и правильный system prompt — это не набор трюков, а сдвиг от «уговорить модель» к «спроектировать процесс».
Начните с малого: возьмите один рабочий промпт и добавьте в него XML-теги и один пример. Затем проверьте prefill. Скорее всего, вы увидите ту же разницу, что и я: те же семь слов, но Claude наконец делает то, что вы имели в виду.
