Полная версия

Справочник собран из статей Anthropic и двух внешних источников. Это выверенная техническая база: prompt engineering, tool use, caching, extended thinking, агенты, MCP, contextual retrieval, guardrails. Порядок ниже — от простого к продвинутому, но при желании можно читать блоками.

Старт

• Обзор промпт-инжиниринга перевод Точка входа: что такое промпт-инжиниринг, где он помогает, когда лучше файн-тюнинг.
• Чётко и прямо перевод Первое правило: давать ясные инструкции. Объясняет, почему «как новому сотруднику без контекста» работает.

Prompt engineering

• Использование примеров (few-shot) перевод Как и когда показывать модели примеры. Форматирование, качество, количество.
• Chain-of-thought перевод Попросить модель «думать пошагово». Структурированный и неструктурированный варианты.
• XML-теги перевод Claude хорошо размечен XML. Разделяем входные данные, инструкции, примеры — получаем предсказуемость.
• Роли и system prompt перевод Как назначить роль. Отличия system от user, типичные ошибки.
• System prompts Claude.ai перевод Release notes по изменениям системных промптов в claude.ai. Наблюдать за эволюцией.
• Префилл ответа перевод Задаём начало ответа модели, чтобы направить формат, тон или структуру.
• Цепочка промптов перевод Разбить задачу на шаги и передать модели последовательно. Когда это лучше одного большого промпта.
• Длинный контекст перевод Советы по работе с сотнями тысяч токенов: куда класть документы, как задавать вопросы.
• Extended thinking: советы перевод Как эффективно использовать расширенное мышление: когда оно помогает, когда лишнее.

Продвинутые возможности API

• Extended thinking перевод Что такое thinking-блоки, как их включить, как считаются токены, ограничения.
• Tool use перевод Заставить Claude вызывать функции: описание инструментов, parallel tool use, forcing.
• Prompt caching перевод Снижение стоимости и задержек через кэш префикса. TTL, breakpoints, что кэшируется.
• Оценка качества (evals) перевод Как определить «успех», построить датасет, выбрать метрики, автоматизировать проверки.

Агенты и инфраструктура

• Building effective agents перевод Большая инженерная статья Anthropic. Workflow vs agent, базовые паттерны (routing, parallelization, orchestrator-workers, evaluator-optimizer).
• Model Context Protocol перевод Открытый протокол подключения источников данных и инструментов к LLM. Архитектура, серверы, клиенты.
• Claude Code: best practices перевод Как эффективно работать в Claude Code: CLAUDE.md, plan mode, контексты, самопроверки.

RAG и поиск

• Contextual retrieval перевод Подход Anthropic: добавлять к чанкам контекст документа перед embedding. Снижает пропуски до ~50%.

Guardrails

• Снижение галлюцинаций перевод Почему модели выдумывают, как это ограничить: «если не знаешь — скажи», верификация цитатами, CoT.
• Повышение консистентности перевод Температура, few-shot, structured output — как получить стабильный результат на одних и тех же входах.
• Защита от джейлбрейков перевод Ограничение неожиданных обходов: харм-скрининг, валидация входов, выходов, двойная модель.
• Защита от утечек промпта перевод Как снизить риск, что модель раскроет system prompt или конфиденциальные инструкции.

Философия и контекст

• Конституция Claude перевод Пояснение Anthropic: на каких принципах построен характер модели. Полезно понимать для тонкой настройки system prompts.

Бонус

• Andrej Karpathy про LLM Wiki перевод Короткий гист. Идея: не «RAG по требованию», а живая база знаний, которую LLM сам выращивает — трёхслойная архитектура и три операции.

Под капотом этого проекта

• Как мы переводим статьи ai-гайд Case-study: пайплайн из трёх AI-агентов (writer + surface-validator + deep-validator на другой модели). Архитектура, теория evaluator-optimizer, история эволюции через v1-v4, 7 case study'ев на грабли.

Кандидаты на перевод (на будущее)

• applied-llms.org «What We've Learned From A Year of Building with LLMs». Практический опыт команды с продакшн-LLM.
• Lilian Weng — LLM Powered Autonomous Agents Фундаментальный обзор: память, планирование, tool use. Одна из первых подробных карт территории.
• Andrej Karpathy — Intro to LLMs Часовое видео. Основы того, как устроены модели и почему они работают так, как работают.
• Chip Huyen — AI Engineering Книга. Системный взгляд на построение продуктов поверх foundation models.