Ты думаешь, что написал идеальный промпт? Поздравляю, ты в зоне риска.
Каждый раз, когда я вижу восторженные твиты "Claude Fable 5 сделал идеальный код с первого раза!", я внутренне вздрагиваю. Не потому что я против успеха. А потому что через неделю этот же автор будет плакать в комьюнити: "Модель начала галлюцинировать, промпт был идеален". Спойлер: промпт не был идеален. Просто слепые зоны не проявились на простой задаче.
Слепая зона — это то, о чём ты не подумал, но модель это интерпретировала не так, как ты ожидал. В инфополе это называют "известные неизвестные" (Known Unknowns) и их более коварные родственники — "неизвестные неизвестные" (Unknown Unknowns). Сегодня разберем методику, которая поможет вытащить эти грабли из темноты, используя самого Claude Fable 5 как союзника.
Предупреждение: Данная методика не сделает из тебя гуру промптинга за вечер. Но она даст систему. Система, в отличие от интуиции, воспроизводима.
Квадрат неизвестности: карта твоих слепых зон
Прежде чем лезть в бой, нарисуем карту. Концепция "карта и территория" из семантики: промпт — это карта, ответ — территория. Слепые зоны — то, чего на карте нет, но на территории есть. Чтобы их найти, удобно использовать матрицу Unknowns, адаптированную под промптинг:
| Знаем, что знаем | Не знаем, что знаем | |
|---|---|---|
| Знаем, что не знаем | Known Knowns (явно указано) | Known Unknowns (знаем пробелы) |
| Не знаем, что не знаем | Unknown Knowns (модель знает, а ты нет) | Unknown Unknowns (полная неожиданность) |
Проблема классических промптов — мы чаще всего работаем только с Known Knowns (прописываем очевидные инструкции) и Known Unknowns (честно пишем "если что-то непонятно, спроси"). Но самые жирные грабли — Unknown Knowns (модель умеет что-то, о чем ты не догадываешься) и Unknown Unknowns (модель делает что-то, чего ты вообще не ожидал).
Как заставить Claude Fable 5 подсветить твои ошибки
Claude Fable 5 (релиз середины 2025) — это не просто очередная модель. Её ключевая суперспособность — рефлексия собственного вывода. Она умеет анализировать свой ответ и указывать, где могла ошибиться или что упустил пользователь. Именно это мы и используем.
В отличие от стандартного подхода "написал промпт — получил ответ — забил", мы встраиваем мета-уровень: просим модель не только выполнить задачу, но и оценить, какие аспекты могли быть не учтены. Это превращает Claude Fable 5 в детектор слепых зон.
Важно: Не путай это с простым "напиши мне вопросы, которые я забыл задать". Модель должна отвечать на задачу, а потом — мета-комментарий. Только так она увидит, где её знания столкнулись с твоими пробелами.
Пошаговая методика: от черновика до чистого промпта
1 Напиши черновик и выполни одну итерацию
Не пытайся сразу сделать идеально. Просто сформулируй задачу так, как чувствуешь. Запусти Claude Fable 5 и посмотри на результат. На этом этапе ты уже заметишь очевидные Known Unknowns — то, о чём забыл упомянуть.
Промпт: "Напиши функцию на Python для сортировки списка чисел."Ответ: модель выдаёт стандартный sort(). Но если ты хотел учесть большие данные или устойчивость к строкам — это слепая зона.
2 Запроси мета-анализ у той же модели
После получения ответа в том же чате напиши дополнительный запрос (можно отдельным сообщением): "Проанализируй свой ответ. Какие аспекты задачи ты, возможно, интерпретировал неверно из-за неполноты моего промпта? Перечисли конкретные неопределённости и скрытые предположения."
Claude Fable 5 выдаст список вроде:
- Не указан тип сортировки (по возрастанию/убыванию).
- Не оговорена производительность (O(n log n) или распределённая сортировка).
- Не сказано про обработку дубликатов или нечисловых элементов.
- Предположено, что входные данные — список целых чисел.
Каждый пункт — это Known Unknown, который ты теперь можешь явно добавить в промпт.
3 Используй технику "зеркального промпта" для Unknown Knowns
Теперь самое интересное. Запроси у Claude Fable 5: "Представь, что я написал этот промпт не задумываясь. Какие знания, которыми ты обладаешь, я мог не учитывать? Что ты можешь сделать, о чём я даже не попросил?"
Это вытаскивает Unknown Knowns — возможности модели, которые ты не использовал. Например, модель может предложить in-place сортировку для экономии памяти или использовать Timsort по умолчанию, если не указано иное. Если эти детали важны для твоей задачи — теперь ты их знаешь.
Как мы уже обсуждали в статье "Навыковый подход к промптам", иногда модель может автономно решать задачи без длинных инструкций, но только если ты чётко обозначишь границы.
4 Сымитируй Unknown Unknowns через стресс-тест
Попроси модель: "Придумай три сценария, в которых мой текущий промпт приведёт к неверному результату или неполному ответу. Сценарии должны быть неочевидными и не упомянутыми ранее."
Здесь мы делегируем поиск Unknown Unknowns модели. Она, опираясь на свой опыт, может предположить краевые случаи. В ответе на наш пример с сортировкой она может сказать: "Если список состоит из чисел с плавающей точкой NaN, стандартный sort() упадёт. Если список содержит пользовательские объекты без __lt__, тоже проблема."
Ловушка: Модель может выдумать несуществующие сценарии (overfit на свои галлюцинации). Всегда проверяй каждый пункт на реальность. Если модель говорит, что "пингвины нарушат сортировку", это не баг промпта, а баг модели.
Пример: от дырявого промпта к промышленному
Возьмём реальный кейс из моей практики. Клиент попросил: "Сгенерируй JSON-схему для API регистрации пользователей". Промпт был максимально коротким, и Claude Fable 5 выдал примитивную схему с полями name, email, password. Но бизнес-требования подразумевали обязательное подтверждение email, верификацию по телефону, обратную связь при ошибках.
Применяем методику:
- Первый ответ — схема без обязательной верификации.
- Мета-анализ — модель говорит: "Ты не указал обязательность верификации, я взял минимальный набор."
- Зеркальный промпт — модель предлагает добавить поле confirmation_token, expires_at и эндпоинт повторной отправки.
- Стресс-тест — модель придумывает кейс, когда пользователь регистрируется с email, который уже есть, но не подтверждён. Как схема должна это отражать? Изначально — никак.
После трёх итераций получаем полноценную схему с правилами уникальности, статусами и ссылками подтверждения. И это без единого дополнительного запроса в Google — только итеративный диалог с моделью.
Типичные ошибки при работе с методикой
- Попытка впихнуть всю логику в один промпт. Ты теряешь возможность использовать мета-анализ на каждом шаге. Разбивай задачу на микрошаги.
- Доверие каждому слову модели. Claude Fable 5 иногда ошибается в самооценке — он может сказать, что промпт хорош, хотя на деле там дыра. Всегда перепроверяй критически.
- Игнорирование контекста. Если ты не указал аудиторию (Junior vs Senior), модель будет исходить из среднего. В статье "Промпт-инжиниринг для не-инженеров" есть отличная техника указания персоны.
- Не использовать предыдущие ответы. Каждый мета-анализ должен опираться на предыдущий ответ. Если ты чистишь историю чата, теряешь контекст.
Ответы на частые вопросы
A: Это нормально. Отсекай явный мусор (например, "ты не указал цвет интерфейса" когда ты просишь код). Отслеживай повторяющиеся паттерны — они указывают на системные пробелы в твоём стиле.
A: Да, но не все модели умеют качественную рефлексию. Claude Fable 5 и Claude Sonnet-4.6 (см. кейс "Клод Sonnet-4.6 путает себя с DeepSeek-V3") показывают лучшие результаты. GPT-5 тоже хорош, но его мета-анализ более поверхностен.
A: Каждый раз, когда промпт уходит в продакшн или используется для сложной генерации. Для рутинных задач — достаточно одного прохода.
Попробовать методику можно прямо сейчас с бесплатной версией Claude на официальном сайте Anthropic. Или встроить её в свой пайплайн через API.
Что дальше? Слепые зоны не исчезнут
Многие ждут, что модели следующего поколения (Claude Fable 6, GPT-6) будут настолько умны, что сами будут исправлять дырявые промпты. Возможно, частично — да. Но навык видеть свои неозвученные предположения останется ключевым. Потому что модель не читает твои мысли. Она читает промпт.
И последнее. Когда ты научишься выявлять слепые зоны, ты заметишь, что уходит страх перед промптами. Вместо гадания "сработает или нет" появляется инженерная уверенность. Это лучшее, что может случиться с инженером, работающим с ИИ.
