اگر هنوز از پرامپت‌های طولانی و محدودکننده برای کنترل مدل‌های زبانی استفاده می‌کنید، احتمالاً در حال ایجاد یک مانع برای بهره‌وری مدل هستید. در ۲۵ ژوئیه ۲۰۲۶، شرکت آنتروپیک (Anthropic) مجموعه‌ای از دستورالعمل‌های جدید برای مهندسی زمینه را منتشر کرد که در آن «قضاوت مدل» جایگزین «حفاظ‌های سخت‌گیرانه» شده است. این تغییر نشان‌دهنده یک تحول بنیادین در نحوه تعامل توسعه‌دهندگان با عامل‌های دارای استدلال بالا (High-reasoning agents) است.
این گذار در حالی رخ می‌دهد که گردش‌های کاری عامل‌محور (Agentic) — یعنی سامانه‌هایی که مثل یک کارمند مستقل، هدف را می‌گیرند و مراحل رسیدن به آن را خودشان طراحی می‌کنند — پیچیده‌تر شده‌اند. پیش از این، مهندسان برای جلوگیری از توهم (Hallucination) — یعنی وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد — یا جلوگیری از حذف تصادفی فایل‌ها، به «ترفندهای پرامپت» (Prompt hacks) متکی بودند. همان‌طور که در تحلیل قبلی ما درباره‌ی نحوه ادغام داده‌های زنده توسط ابزارهایی مانند OrcaLayer از طریق پروتکل MCP اشاره کردیم، تمرکز اکنون از «نحوه دریافت داده توسط مدل» به «نحوه بازیابی و تفسیر گزینشی» آن تغییر یافته است.
تفاوت این رویکرد جدید را می‌توان این‌گونه تصور کرد: به جای اینکه به یک کارمند تازه‌کار دفترچه راهنمای ۱۰۰ صفحه‌ای بدهید تا برای هر تکلیف کوچک آن را مطالعه کند، به او یک مربی مورد اعتماد و یک کتابخانه قابل جستجو می‌دهید. Claude 5 اکنون دقیقاً در این لایه عمل می‌کند و به جای پیروی کورکورانه از دستورات، بر اساس بستر محیط تصمیم می‌گیرد.
از قوانین صلب تا قضاوت مدل
به نقل از مستندات آنتروپیک، این شرکت صراحتاً نسبت به وضع قوانین بیش از حد محدودکننده هشدار داده است. پیش از این، Claude Code از پرامپت‌های سیستمی (System Prompts) — دستورالعمل‌های بنیادینی که رفتار کلی مدل را تعیین می‌کنند — برای ممنوع کردن کامنت‌های چندخطی یا ایجاد اسناد برنامه‌ریزی استفاده می‌کرد تا از بدترین سناریوها، مانند حذف اتفاقی فایل‌ها، جلوگیری کند.
به طور مشخص، در پرامپت‌های قدیمی دستوراتی وجود داشت که مدل را مجبور می‌کرد به صورت پیش‌فرض هیچ کامنتی ننویسد، یا از ایجاد مستندات رشته‌ای (Docstrings) چند پاراگرافی و بلوک‌های کامنت چندخطی خودداری کند (به طوری که آن‌ها را به یک خط کوتاه محدود می‌کرد). همچنین دستوری وجود داشت که مدل را از ایجاد اسناد برنامه‌ریزی، تصمیم‌گیری یا تحلیل، مگر در صورت درخواست صریح کاربر، منع می‌کرد. این رویکرد مدل را مجبور می‌کرد که صرفاً بر اساس زمینه گفتگو عمل کند و از فایل‌های واسطه‌ای استفاده نکند.
آنتروپیک اشاره کرد که این حفاظ‌ها اغلب نتیجه معکوس می‌دادند. برای کدهای پیچیده، بلوک‌های کامنت چندخطی ضروری هستند و کاربران اغلب ترجیحات مستندسازی خاص خود را دارند. در حالی که مدل‌های قدیمی‌تر فاقد قضاوت لازم برای مدیریت این موارد بدون قانون بودند، مدل‌های جدید می‌توانند این تصمیمات را به خوبی مدیریت کنند.
راهکار جدید ساده است: «کدی بنویس که شبیه کد اطرافش باشد». یعنی مدل باید چگالی کامنت‌ها، نحوه نام‌گذاری و اصطلاحات (Idioms) را با سبک موجود در پروژه تطبیق دهد، نه اینکه از یک ممنوعیت کلی و جهانی پیروی کند.
طراحی ابزار به جای ارائه نمونه
یک چرخش راهبردی دیگر، فاصله گرفتن از نمونه‌های «تعداد اندک» (Few-shot examples) برای استفاده از ابزارهاست. آنتروپیک دریافت که ارائه نمونه‌های آماده در واقع فضای اکتشاف مدل را محدود می‌کند و نحوه تعامل عامل (Agent) با محیط را محدود می‌سازد.
به جای این کار، توسعه‌دهندگان باید بر طراحی رابط‌های گویاتر (Expressive interface design) تمرکز کنند. به پارامترهای در دسترس برای کلود فکر کنید و بررسی کنید که چگونه می‌توان آن‌ها را گویاتر کرد.
برای مثال، در ابزار Todo، صرفاً لیست کردن وضعیت‌ها (Status) به صورت یک شمارشگر (Enumeration) بین مقادیر pending (در انتظار)، in_progress (در حال اجرا) و completed (تکمیل شده)، به طور طبیعی به مدل می‌فهماند که ابزار را چگونه به کار بگیرد. در این حالت، افزودن یک دستور ساده مبنی بر «نگه داشتن تنها یک آیتم در وضعیت in_progress»، بدون نیاز به ارائه یک ردپای کامل از نمونه‌ها (Example trace)، رفتار مدل را به طور دقیق تعریف می‌کند.
پیاده‌سازی افشای تدریجی
برای جلوگیری از اشباع پنجره زمینه (Context Window) — میزان متنی که مدل هم‌زمان در ذهن نگه می‌دارد، شبیه میز کاری که جای چند ورق دارد — آنتروپیک اکنون از «افشای تدریجی» (Progressive Disclosure) استفاده می‌کند. به این معنا که عامل تنها زمانی داده‌های خاص را بارگذاری می‌کند که به آن‌ها نیاز داشته باشد. در گذشته، پرامپت سیستمی Claude Code شامل جزئیات exhaustive (جامعی) درباره بازبینی و تأیید کد بود که برای اکثر تکالیف هرگز مورد نیاز نبود.
بر اساس مستندات فنی، پیاده‌سازی‌های کلیدی این استراتژی شامل موارد زیر است:
مکانیزم‌های ابزار و مهارت
- بارگذاری تعویقی (Deferred Loading): برخی ابزارها در پرامپت اولیه پنهان هستند. عامل باید ابتدا از یک تابع
ToolSearchبرای یافتن و بارگذاری تعاریف کامل ابزارها پیش از اجرا استفاده کند. این روش اجازه می‌دهد کتابخانه بسیار بزرگی از ابزارها (مانند ابزارهای مدیریت Task) بدون مصرف بیش از حد زمینه در ابتدای کار، در دسترس باشد. این رویکرد در واقع تکمیل‌کننده‌ی نحوه استفاده از ساختارهای دایرکتوری-محور برای اتوماسیون کد است که بهره‌وری را در محیط‌های توسعه افزایش می‌دهد. - بخش‌بندی مبتنی بر مهارت (Skill-Based Segmentation): فرآیندهای بازبینی (Review) و تأیید کد (Verification) به «مهارت‌های» اختصاصی منتقل شده‌اند که Claude Code آن‌ها را به صورت گزینشی فراخوانی می‌کند.
معماری مستندات
- درخت فایل‌ها (File Trees): به جای تکیه بر یک فایل واحد و عظیم
CLAUDE.mdکه به عنوان مخزن مرکزی برای تمام روش‌های شناخته شده عمل کند، کاربران تشویق می‌شوند درختی از فایل‌ها بسازند. این ساختار به مدل اجازه می‌دهد تا تنها شاخه مرتبط با مستندات را در صورت نیاز بارگذاری کند. این تغییر برای رفع مشکلاتی است که پیش‌تر در مورد تاثیر منفی فایل‌های تنظیمات حجیم بر پیروی از دستورات بحث کرده بودیم.
مرگ تکرار
مدل‌های قدیمی‌تر اغلب از مشکل «گم شدن در میانه» (Lost in the Middle) رنج می‌بردند؛ به این معنی که احتمال پیروی آن‌ها از دستوراتی که در انتهای پنجره زمینه قرار داشت، بیشتر از دستورات ابتدایی بود. این موضوع باعث شد مهندسان به عادتی روی آورند که دستورات را هم در پرامپت سیستمی اصلی و هم در توصیفات خاص هر ابزار تکرار کنند.
Claude 5 دیگر به این تکرارها نیاز ندارد. آنتروپیک دریافت که می‌تواند این نمونه‌های تکراری را به طور کامل حذف کند. اکنون، دستورالعمل‌های مربوط به نحوه استفاده از ابزارها باید منحصراً در توصیفات خود ابزار قرار بگیرند تا از شلوغ شدن پرامپت سیستمی اصلی جلوگیری شود.
ارجاعات غنی و حافظه خودکار
برنامه‌های متنی ساده در قالب Markdown اکنون جای خود را به «ارجاعات غنی» (Rich References) داده‌اند. در حالی که ذخیره مشخصات (Specs) در Markdown یک روش استاندارد برای پروژه‌های طولانی بود، کلود اکنون می‌تواند ارجاعات به مراتب پیچیده‌تری را مدیریت کند:
- آرتی‌فکت‌های HTML: کلود اکنون می‌تواند به آرتی‌فکت‌های HTML که توسط قابلیت جدید Artifacts ایجاد شده‌اند، ارجاع دهد.
- کد به‌مثابه مشخصات (Code-as-Spec): یک سند مشخصات اکنون می‌تواند یک مجموعه تست دقیق (Test Suite) یا تابعی از یک کدبیس دیگر باشد که نیاز به پورت شدن دارد.
- روبیک‌ها (Rubrics): توسعه‌دهندگان می‌توانند از روبیک‌ها برای تأیید «سلیقه» در یک حوزه (مثلاً آنچه یک طراحی API خوب را تعریف می‌کند) با راه‌اندازی عامل‌های تأییدکننده (Verifier agents) در گردش‌های کاری پویا استفاده کنند. در اینجا، پیاده‌سازی لایه‌های کنترلی مشابه استراتژی‌های هفت‌لایه برای ایمن‌سازی ابزارهای دیتابیس اهمیت می‌یابد تا خروجی‌ها در محیط تولیدی قابل اعتماد باشند.
علاوه بر این، فرآیند دستی ذخیره‌سازی حافظه از طریق کلید میانبر # در فایل CLAUDE.md در حال جایگزینی با «حافظه خودکار» (Auto-memory) است؛ جایی که مدل به صورت خودمختار حافظه‌هایی را که برای کاربر و کار خاص در حال انجام مرتبط هستند، ذخیره می‌کند.
بهینه‌سازی پشته زمینه
برای کسانی که در حال ساخت محیط‌های عامل‌محور (Agent harnesses) هستند، آنتروپیک سلسله‌مراتب زیر را برای تجمیع زمینه پیشنهاد می‌کند:
- پرامپت سیستمی: تمرکز مطلق بر بستر محصول و هدف اصلی عامل. این بخش، ناحیه تمرکز اصلی برای کسانی است که یک harness سفارشی می‌سازند.
- CLAUDE.md: این فایل را سبک نگه دارید. هدف پروژه را به طور کوتاه توصیف کنید و اکثر توکن‌ها را صرف «تله‌های کدبیس» (Codebase gotchas) کنید. برای مثال، ذکر کنید که آیا تایپ‌ها در یک فایل عظیم نگهداری می‌شوند یا خیر. از بیان حقایق بدیهی که کلود می‌تواند از طریق سیستم فایل ببیند، خودداری کنید.
- مهارت‌ها (Skills): از این‌ها به عنوان راهنماهای سبک برای رمزگذاری نظرات خاص، دانش تیمی یا بهترین روش‌ها (Best practices) استفاده کنید. اگر یک مهارت طولانی است، آن را با استفاده از افشای تدریجی به چندین فایل تقسیم کنید.
- ارجاعات (References): از اشاره‌های
@برای گنجاندن اطلاعات عمیق مانند ماک‌آپ‌ها یا مشخصات استفاده کنید. برای دستورالعمل‌های با دقت بالا، فایل‌های کد را ترجیح دهید؛ به طور خاص، یک ماک‌آپ HTML از یک طراحی عموماً نتایج بهتری نسبت به توصیفات متنی یا اسکرین‌شات تولید می‌کند.
این گذار، این پیش‌فرض صنعتی را که «راهنمایی بیشتر برابر است با کنترل بیشتر» تغییر می‌دهد. در واقع، برای جدیدترین نسل مدل‌ها، راهنمایی بیش از حد باعث ایجاد اصطکاک می‌شود. معیار جدید موفقیت، این نیست که چطور می‌توانید مدل را محدود کنید، بلکه این است که محیط را چطور طراحی کنید تا مدل بتواند به بهترین شکل در آن پیمایش کند.
برای کمک به توسعه‌دهندگان در این مهاجرت، آنتروپیک دستور جدید claude doctor را برای ساده‌سازی خودکار پرامپت‌ها و پیکربندی‌های موجود عرضه کرده است. شما می‌توانید تکنیک‌های پیشرفته‌تر را در راهنمای میدانی Fable بررسی کنید. این دستورالعمل‌ها توسط ثارق شیهیپار (Thariq Shihipar)، عضو کادر فنی آنتروپیک، ارائه شده است.
گام بعدی شما
- اگر از Claude Code استفاده می‌کنید، دستور
claude doctorرا اجرا کنید تا پرامپت‌های قدیمی و تکراری خود را شناسایی و حذف کنید. - مستندات پروژه را از یک فایل واحد به ساختار درختی (File Tree) منتقل کنید تا هزینه استنتاج و سرعت پاسخ‌دهی بهبود یابد.
- به جای نوشتن دستورات «ممنوع است»، سعی کنید با طراحی پارامترهای صریح در ابزارها، مدل را به سمت رفتار مطلوب هدایت کنید.
اما تأثیر این تغییر در مدیریت حافظه بر مدل‌های رقیب، به‌ویژه در OpenAI، می‌تواند رقابت را به سمت «معماری محیط» ببرد — تحلیل ما درباره استراتژی‌های حافظه بلندمدت را دنبال کنید.
گفتگو