Claude Fable 5.1-systeemprompt uitgelegd: waarom agent-harnassen steeds groter worden

Een Claude-promptdump van 269 KB is precies het soort getal dat snel de aandacht trekt. Het klinkt alsof Fable 5.1 een klein boek vol verborgen instructies nodig heeft voordat het een vraag kan beantwoorden.

Dat is niet het interessante deel. De verspreide vastlegging kan beter worden opgevat als een momentopname van de runtime rondom het model: instructies, tools, zoekfuncties, geheugengedrag, Skills, machtigingen en productlogica. Het grotere verhaal is bijna het tegenovergestelde van de kop. Agentharnassen worden groter, terwijl goede agents steeds vaker proberen minder van die machinerie tegelijk te laden.

Wat is de Claude Fable 5.1-systeemprompt?

Een systeemprompt is de instructielaag met hoge prioriteit die bepaalt hoe een model zich binnen een product gedraagt. Anthropic stelt publiekelijk de Claude-kernsysteemprompts beschikbaar die worden gebruikt in Claude.ai en de mobiele apps daarvan, waaronder Fable 5.1.

Die prompt is niet het model zelf. Hij bevat niet de gewichten of trainingsgegevens van Claude en is niet de volledige Claude-runtime. Zodra een agent begint met zoeken, bestanden lezen, tools ontdekken, Skills laden of status ophalen, kan er veel meer context rondom de kerninstructies ontstaan.

Is de systeemprompt van Fable 5.1 echt 270.000 tekens lang?

Een openbaar verspreide vastlegging van Fable 5.1 zou ongeveer 269 KB en 2.195 regels omvatten. Alles ervan “de systeemprompt” noemen is handig, maar technisch gezien verwarrend.

De vastlegging van de Fable-runtime bevat materiaal over tools, geheugen, zoekfuncties, bestanden, productgedrag en andere runtimecomponenten. Een beter mentaal model is een runtimepromptbundel: de instructies van het model plus delen van de omgeving die aan het model worden blootgesteld.

Er is ook een belangrijk beveiligingsonderscheid. Het uitlekken van runtime-instructies toont op zichzelf niet aan dat de modelgewichten, gesprekken van gebruikers, inloggegevens of productiedatabases van Anthropic zijn gecompromitteerd.

Wat zit er in een moderne AI-agentruntime?

Een chatbot kan werken met instructies, een vraag en gespreksgeschiedenis. Een agent heeft mogelijk ook tools, toegang tot bestanden, zoekfuncties, geheugen, taakstatus, machtigingen, externe services en logica voor herstel nodig. Deze lagen zorgen ervoor dat een model verandert van iets dat antwoorden geeft in iets dat herhaaldelijk acties kan uitvoeren.

Anthropic beschrijft dit steeds vaker als context engineering. Het probleem is niet langer alleen hoe je een prompt formuleert. Het gaat erom te bepalen wat op dit specifieke moment in een eindig contextvenster thuishoort.

Wat is een AI-agentharnas?

Een AI-agentharnas is de software rondom het model die bepaalt welke context het ontvangt, welke tools het kan gebruiken, hoe acties worden uitgevoerd en welke status daarna behouden blijft. Het model levert het redeneervermogen; het harnas zet dat redeneervermogen om in een workflow.

Daarom kan hetzelfde onderliggende model in verschillende producten drastisch anders aanvoelen. Een programmeerharnas kan repositories, tests, shells en taakstatus beschikbaar maken. Een onderzoeksharnas kan zoeken, retrieval, citaten en parallelle agents beschikbaar maken. Voeg AI-agentvaardigheden toe, en herbruikbare procedures worden een extra laag die het harnas indien nodig kan ontdekken.

Modelkwaliteit is nog steeds belangrijk. Maar zodra modellen capabel genoeg worden om tools betrouwbaar te gebruiken, gaat orkestratie veel meer bijdragen aan het gedrag van het product.

Waarom worden AI-agentharnassen zo groot?

Elke nieuwe mogelijkheid brengt contextoverhead met zich mee. Een tool heeft mogelijk een naam, schema, argumenten, gebruiksregels, machtigingen en voorbeelden nodig. Een Skill voegt procedures en bronnen toe. Bij lange taken stapelen geschiedenis, toolresultaten, artefacten en onvoltooide status zich op.

Anthropic biedt een nuttige schaalreferentie: het koppelen van GitHub, Slack, Sentry, Grafana en Splunk kan 58 tools beschikbaar maken waarvan de definities ongeveer 55K contexttokens innemen voordat er nuttig werk begint. De beperking is niet langer de modelopslag. Het gaat erom hoeveel operationele informatie op elke inferentiestap om aandacht concurreert.

Agents die langdurig actief zijn, versterken dat probleem. Het harnas moet voldoende status behouden om het werk voort te zetten, zonder elke eerdere observatie, mislukte poging, toolresultaat en instructie in elke toekomstige aanroep mee te slepen.

Maakt een groter agentharnas AI beter?

Nee. Een grotere beschikbare omgeving kan een agent capabeler maken; een grotere actieve context kan hem trager, duurder en minder gefocust maken.

Irrelevante tools concurreren met relevante tools. Oude herinneringen concurreren met actueel bewijsmateriaal. Herhaalde instructies verbruiken tokens zonder nieuwe informatie toe te voegen. Daarom is herhaalde agentcontext ook economisch van belang: een agent kan dezelfde stabiele instructies en schema's bij veel modelaanroepen opnieuw gebruiken.

Het betere doel is daarom niet maximale context, maar minimaal toereikende context: de kleinste set instructies, tools, herinneringen en bewijsmateriaal met een hoge informatiewaarde die de huidige stap kan voltooien.

Hoe verkleinen Agent Skills de contextomvang?

Anthropic Agent Skills gebruiken progressieve onthulling. De agent kan aanvankelijk lichte metagegevens zien die een Skill beschrijven en vervolgens het bestand SKILL.md laden zodra de taak die Skill relevant maakt. Ondersteunende scripts en referenties kunnen buiten de context blijven totdat ze nodig zijn.

Dat verandert de schaalbaarheidsvergelijking. Een agent kan toegang hebben tot een grote bibliotheek met procedures zonder bij elk verzoek de contextkosten te betalen voor het lezen van de volledige bibliotheek. Hetzelfde idee is nuttig voor lokale AI-workflows, waarin procedures, scripts en privébronnen herbruikbaar kunnen blijven zonder één enorme permanente prompt te worden.

Hoe vermindert Tool Search het tokengebruik van agents?

Tools bewegen zich in dezelfde richting. In plaats van het schema van elke verbonden tool in de initiële context te laden, laat Claude Tool Search de agent eerst relevante mogelijkheden ontdekken en pas hun volledige definities laden wanneer dat nodig is.

Anthropic meldt dat de voorbeeldtoolset dankzij Tool Search krimpt van ongeveer 55.000 tokens naar circa 8.700 tokens, een vermindering van 85%. Belangrijker nog: met minder irrelevante tools wordt het selectieprobleem eenvoudiger.

De architectuurregel is eenvoudig: beschikbaar betekent niet automatisch geladen. Een capabele agent kan toegang hebben tot honderden services, terwijl er voor de huidige taak slechts enkele aan het model worden aangeboden.

Waarom hebben langdurig draaiende agents persistente status nodig?

Fable 5.1 ondersteunt een contextvenster van 1 miljoen tokens, maar een groter venster lost niet elke langdurige taak op. Context wordt nog steeds onoverzichtelijk, duur en verouderd.

Het werk van Anthropic aan agent-harnesses voor langdurig draaiende agents wijst in plaats daarvan op externe status. Agents kunnen voortgangsbestanden, takenlijsten, code, tests en andere artefacten achterlaten voor latere sessies, in plaats van de volledige werkgeschiedenis als tokens mee te dragen.

Dat onderscheid is belangrijk. Geheugencapaciteit en bruikbaar geheugen zijn niet hetzelfde. Duurzame status moet buiten de actieve prompt worden opgeslagen en vervolgens worden opgehaald wanneer die relevant wordt.

Waar moeten het geheugen, de vaardigheden en de RAG-gegevens van een agent worden opgeslagen?

Zodra context modulair wordt, hoeft het model niet langer de volledige omgeving van de agent te beheren. Vaardigheden kunnen als bestanden worden opgeslagen. Geheugen kan in databases worden bewaard. RAG-bronnen kunnen in privéopslag blijven staan. MCP-servers en API's kunnen services alleen beschikbaar stellen wanneer de harness ze nodig heeft.

Een privé-RAG-workflow maakt deze scheiding goed zichtbaar: brondocumenten en indexen kunnen lokaal blijven, terwijl alleen geselecteerde context naar een frontiermodel wordt gestuurd voor complexere redenering.

Het praktische voordeel is overdraagbaarheid. Het redeneermodel kan veranderen, terwijl de bestanden, workflows, Skills, herinneringen en gegevens die als bron van waarheid dienen van de gebruiker intact blijven.

Kan een homeserver een runtime-laag voor agents worden?

Ja, maar niet omdat 269 KB aan tekst een server nodig heeft. De opslagvereiste van de prompt zelf is verwaarloosbaar. De aanleiding voor een homeserver ontstaat wanneer de agent afhankelijk is van persistente bestanden, indexen, databases, tools, logs, artefacten en services die onafhankelijk van één modelsessie moeten blijven bestaan.

Een AI-thuisserver kan die duurzame laag bevatten, terwijl cloud- of lokale modellen het redeneerwerk uitvoeren. Als tools deze bronnen kunnen wijzigen, zijn machtigingen ook belangrijk; beginnen met alleen-lezenagenttools beperkt de schade die een slechte instructie of een verkeerd opgehaald resultaat kan veroorzaken.

Voor gebruikers die één altijd ingeschakeld systeem willen voor opslag en zelfgehoste services, past ZimaCube 2 natuurlijker in die persistente laag dan wanneer je doet alsof het Fable 5.1 vervangt. Het grensverleggende model kan op afstand blijven draaien; de bestanden, services, RAG-gegevens en artefacten hoeven dat niet.

Worden systeemprompts een besturingssysteem voor agents?

De analogie is slechts tot op zekere hoogte nuttig. Een systeemprompt is tekst. Deze kan geen opslagmachtigingen afdwingen, processen isoleren of netwerktoegang beheren zoals een besturingssysteem dat kan.

De bredere harness lijkt meer op een besturingssysteem. Deze bepaalt wat het model kan zien, welke mogelijkheden beschikbaar komen, welke bevoegdheden tools krijgen, hoe de status bewaard blijft en hoe het werk doorgaat tijdens meerdere modelaanroepen. Daarom is automatisering met AI-agents uiteindelijk een probleem van machtigingen en infrastructuur, en niet alleen van modelkwaliteit.

Het verhaal van Fable 5.1 wijst daarom in een andere richting dan ‘prompts worden steeds langer’. De totale agentomgeving blijft groeien, maar betere harnesses zullen steeds vaker alleen de juiste Skill, tool, herinnering en bewijsmateriaal ophalen wanneer de huidige stap die nodig heeft.

Veelgestelde vragen

Is de systeemprompt van Claude Fable 5.1 openbaar?

Anthropic publiceert de ker Systeemprompt die Fable 5.1 gebruikt in Claude.ai en zijn mobiele producten. Die officiële prompt moet worden onderscheiden van grotere runtime-opnamen van derden met tool- en productcontext.

Is Claude Fable 5.1 gehackt?

Een extractie van een runtime-prompt bewijst op zichzelf geen inbreuk op de infrastructuur van Anthropic. Er is geen openbaar bewijs dat aan deze promptopname is gekoppeld waaruit blijkt dat modelgewichten, privégesprekken, klantdatabases of inloggegevens zijn gecompromitteerd.

Hoe lang is de systeemprompt van Fable 5.1?

Er is geen enkel bruikbaar getal zonder te definiëren wat er wordt gemeten. Een runtime-opname van een derde partij zou ongeveer 269 KB en 2.195 regels hebben omvat, maar bevat meer dan alleen de ker Instructies van Anthropic.

Heeft de Fable 5.1-prompt gebruikersherinneringen blootgelegd?

Het runtime-materiaal bevat instructies die het geheugengedrag beschrijven. Instructies over een geheugensysteem zijn niet hetzelfde als de opgeslagen herinneringen van individuele gebruikers, en er is geen openbaar bewijs uit deze opname dat privéherinneringen zijn gedumpt.

Wat is het verschil tussen een systeemprompt en een agentharnas?

Een systeemprompt geeft het model instructies met hoge prioriteit. Een agentharnas is de bredere softwarelaag die rond het model instructies, tools, retrieval, geheugen, machtigingen, uitvoering en persistente status beheert.

Gebruikt een langere systeemprompt meer tokens?

Ja, als die tekst daadwerkelijk in de actieve context van het model wordt geplaatst. Daarom zijn Skills, retrieval, Tool Search, caching en contextcompressie belangrijk: zo blijven mogelijkheden beschikbaar zonder alles telkens opnieuw te laden.

Verbruiken MCP-tools contexttokens?

Dat kan. Toolbeschrijvingen en schema's moeten aan het model worden aangeboden wanneer het deze moet selecteren en aanroepen. Dynamische ontdekking en uitgesteld laden verlagen de kosten van het beschikbaar stellen van grote toolcatalogi.

Kan het geheugen van een AI-agent lokaal worden opgeslagen?

Ja. Geheugen kan worden opgeslagen in lokale bestanden, databases, vectoropslag of andere persistente services en selectief worden opgehaald voor latere taken. Het moeilijkere probleem is bepalen wat moet worden opgeslagen, vertrouwd, verlopen en opgehaald.

Kan Claude Fable 5.1 lokaal draaien?

Fable 5.1 is niet beschikbaar als openbare modelgewichten voor gewone lokale implementatie. Een hybride opstelling kan Fable 5.1 toch gebruiken voor geavanceerde redeneringen, terwijl privégegevens, RAG-bronnen, Skills, geheugen en zelfgehoste services op lokale infrastructuur blijven.