Ты наверняка ловил себя на мысли: открываешь диалоговое окно с Claude, просишь переписать абзац письма, поправить опечатку или набросать простенькую функцию — и остаёшься доволен результатом. Но если остановиться на секунду и задуматься: перед тобой одна из сложнейших вычислительных систем в истории человечества, а ты используешь её как продвинутый калькулятор.
Ведущий инженер Anthropic Феликс Райсберг (Felix Rieseberg), отвечающий за разработку Claude Desktop и Claude Cowork, опубликовал программное эссе «How to be more ambitious: A tutorial for humans with models». В нём он препарирует фундаментальную психологическую проблему современной индустрии — «навес возможностей моделей» (Model Overhang).
Это колоссальный разрыв между тем, на что передовые алгоритмы (Claude 3.5 Sonnet, Opus 5.5) способны прямо сейчас, и теми микроскопическими задачами, которые им робко доверяет человек. Давай разберём, как Райсберг предлагает преодолевать этот барьер.
Четыре измерения амбициозности
Райсберг предлагает простую ментальную модель масштабирования взаимодействия с ИИ. Большинство пользователей застревает на первом уровне, не догадываясь о существовании остальных трёх:
- Скорость (Speed). Это базовый горизонт: «сделай то, что я умею сам, но за три секунды вместо получаса». Написать шаблонный скрипт, подготовить саммари статьи. Это полезно, но не меняет качество твоей жизни.
- Высота абстракции (Altitude). Переход от микро-инструкций к постановке сквозных целей. Вместо «исправь эту ошибку NullPointer» ты формулируешь задачу: «проанализируй логи продакшена за последние сутки, найди корень утечки памяти, напиши изолированный воспроизводящий автотест и подготовь минимальный Pull Request».
- Экспертная глубина (Depth). Наделение модели полномочиями узкопрофильного специалиста. Модель получает доступ к сырым дампом баз данных, профилировщикам производительности и спецификациям протоколов, проводя многошаговый аудит, на который у живого аналитика ушли бы недели.
- Междисциплинарный охват (Range). Привлечение неочевидных методологий из смежных областей. Например, использование математических моделей популяции из биологии для оптимизации кэширования в высоконагруженной базе данных.
Железный закон: модель никогда не должна судить саму себя
Главная ошибка начинающих промпт-инженеров — просить ту же самую сессию нейросети проверить собственный код: «А теперь найди ошибки в том, что ты только что написала».
Райсберг категоричен: это приводит к катастрофическому confirmation bias (предвзятости подтверждения). Модель с высокой вероятностью будет защищать свои галлюцинации и утверждать, что код безупречен.
Никогда не позволяйте модели в текущей сессии оценивать правильность своей работы. Верификация должна быть абсолютно внешней и детерминированной: прогон через компилятор, запуск автоматических тестов в терминале или передача артефакта совершенно изолированному ревьюеру в чистом контексте.
Среда решает всё
Максимизация отдачи от Claude достигается не поиском «магических фраз» в промпте, а настройкой богатой инструментальной среды. Модель раскрывает свой потенциал, когда у неё есть руки: доступ к файловой системе, локальным тестам, терминалу и внешним API через протокол Model Context Protocol (MCP).
Ранее мы уже разбирали совместную работу над артефактами в Claude и изучали готовые навыки и репозитории для Claude. Гайд Райсберга подтверждает главное правило: перестань относиться к нейросети как к собеседнику в чате. Преврати её в автономного инженера, обеспечив чёткими инструментами и безжалостными внешними тестами.