Wyjaśnienie promptu systemowego Claude Fable 5.1: dlaczego uprzęże agentów stają się tak duże

Zrzut promptu Claude o rozmiarze 269 KB to liczba, która szybko przyciąga uwagę. Brzmi tak, jakby Fable 5.1 potrzebował małej książki ukrytych instrukcji, zanim będzie mógł odpowiedzieć na pytanie.

To nie jest najciekawsza część. Rozpowszechnione przechwycenie lepiej rozumieć jako migawkę środowiska wykonawczego otaczającego model: instrukcji, narzędzi, wyszukiwania, działania pamięci, umiejętności, uprawnień i logiki produktu. Szerszy obraz jest niemal odwrotny do nagłówka. Powłoki agentów stają się coraz większe, podczas gdy dobre agenty coraz częściej próbują ładować jednocześnie mniej tych mechanizmów.

Czym jest prompt systemowy Claude Fable 5.1?

Prompt systemowy to warstwa instrukcji o wysokim priorytecie, która kształtuje sposób działania modelu w ramach produktu. Anthropic publicznie udostępnia podstawowe prompty systemowe Claude używane w Claude.ai i jego aplikacjach mobilnych, w tym w Fable 5.1.

Ten prompt nie jest samym modelem. Nie zawiera wag Claude ani danych treningowych i nie stanowi całego środowiska wykonawczego Claude. Gdy agent zaczyna wyszukiwać informacje, odczytywać pliki, wykrywać narzędzia, ładować umiejętności lub przywoływać stan, wokół podstawowych instrukcji może pojawić się znacznie więcej kontekstu.

Czy prompt systemowy Fable 5.1 rzeczywiście ma 270 tys. znaków?

Publicznie rozpowszechnione przechwycenie Fable 5.1 miało podobno około 269 KB i 2195 wierszy. Nazywanie całości „promptem systemowym” jest wygodne, ale pod względem technicznym nieprecyzyjne.

Przechwycenie środowiska wykonawczego Fable obejmuje materiały związane z narzędziami, pamięcią, wyszukiwaniem, plikami, działaniem produktu i innymi komponentami środowiska wykonawczego. Lepszym określeniem jest pakiet promptów środowiska wykonawczego: instrukcje modelu oraz fragmenty środowiska, które są mu udostępniane.

Istnieje również istotne rozróżnienie z punktu widzenia bezpieczeństwa. Samo wyodrębnienie instrukcji środowiska wykonawczego nie oznacza, że doszło do naruszenia wag modelu Anthropic, rozmów użytkowników, danych uwierzytelniających ani produkcyjnych baz danych.

Co znajduje się w nowoczesnym środowisku wykonawczym agenta AI?

Chatbot może pracować z instrukcjami, pytaniem i historią rozmowy. Agent może również potrzebować narzędzi, dostępu do plików, wyszukiwania, pamięci, stanu zadania, uprawnień, usług zewnętrznych i logiki odzyskiwania. To właśnie te warstwy zmieniają model z czegoś, co udziela odpowiedzi, w coś, co może wielokrotnie wykonywać działania.

Firma Anthropic coraz częściej określa to mianem projektowania kontekstu. Problemem nie jest już tylko sposób sformułowania promptu. Chodzi o ustalenie, co powinno trafić do ograniczonego okna kontekstu na danym etapie.

Czym jest uprząż agenta AI?

Uprząż agenta to oprogramowanie otaczające model, które decyduje, jaki kontekst otrzyma model, z jakich narzędzi może korzystać, jak wykonywane są działania i jaki stan zostaje zachowany. Model dostarcza rozumowanie, a uprząż przekształca je w przepływ pracy.

Dlatego ten sam model bazowy może działać zupełnie inaczej w różnych produktach. Uprząż programistyczna może udostępniać repozytoria, testy, powłoki i stan zadania. Uprząż badawcza może udostępniać wyszukiwanie, pobieranie informacji, cytowania i agentów działających równolegle. Dodaj do tego umiejętności agentów AI, a procedury wielokrotnego użytku stają się kolejną warstwą, którą uprząż może wykrywać w razie potrzeby.

Jakość modelu nadal ma znaczenie. Jednak gdy modele stają się wystarczająco zdolne do niezawodnego korzystania z narzędzi, orkiestracja zaczyna w znacznie większym stopniu kształtować działanie produktu.

Dlaczego uprzęże agentów AI stają się tak rozbudowane?

Każda nowa możliwość wiąże się z dodatkowym obciążeniem kontekstu. Narzędzie może wymagać nazwy, schematu, argumentów, zasad użycia, uprawnień i przykładów. Umiejętność dodaje procedury i zasoby. Długie zadania gromadzą historię, wyniki działania narzędzi, artefakty i niedokończony stan.

Firma Anthropic podaje użyteczne odniesienie do skali: połączenie z GitHubem, Slackiem, Sentry, Grafaną i Splunkiem może udostępnić 58 narzędzi, których definicje zajmują około 55 tys. tokenów kontekstu, zanim rozpocznie się właściwa praca. Ograniczeniem nie jest już przechowywanie modelu. Chodzi o to, ile informacji operacyjnych konkuruje o uwagę na każdym kroku wnioskowania.

Agenci działający przez długi czas nasilają ten problem. Szkielet musi zachować wystarczająco dużo stanu, aby kontynuować pracę, bez przeciągania wszystkich wcześniejszych obserwacji, nieudanych prób, wyników narzędzi i instrukcji do każdego kolejnego wywołania.

Czy większy szkielet agenta sprawia, że AI działa lepiej?

Nie. Większe dostępne środowisko może zwiększyć możliwości agenta, natomiast większy aktywny kontekst może sprawić, że będzie on wolniejszy, droższy i mniej skoncentrowany.

Nieistotne narzędzia konkurują z istotnymi. Dawne wspomnienia konkurują z bieżącymi dowodami. Powtarzane instrukcje zużywają tokeny, nie dodając nowych informacji. Dlatego powtarzany kontekst agenta ma znaczenie również z ekonomicznego punktu widzenia: agent może odwoływać się do tych samych stabilnych instrukcji i schematów podczas wielu wywołań modelu.

Lepszym celem nie jest więc maksymalny kontekst, lecz minimalny wystarczający kontekst: najmniejszy zestaw instrukcji, narzędzi, pamięci i dowodów o wysokiej wartości informacyjnej, który pozwala ukończyć bieżący etap.

Jak umiejętności agentów zmniejszają rozmiar kontekstu?

Anthropic Agent Skills wykorzystują progresywne ujawnianie informacji. Agent początkowo widzi lekkie metadane opisujące umiejętność, a następnie ładuje plik SKILL.md dopiero wtedy, gdy zadanie sprawia, że dana umiejętność staje się istotna. Skrypty pomocnicze i materiały referencyjne mogą pozostać poza kontekstem do czasu, gdy będą potrzebne.

To zmienia zasady skalowania. Agent może mieć dostęp do dużej biblioteki procedur bez ponoszenia kosztu kontekstowego odczytywania całej biblioteki przy każdym żądaniu. Ta sama idea jest przydatna w przypadku lokalnych przepływów pracy AI, w których procedury, skrypty i prywatne zasoby mogą pozostać wielokrotnego użytku, zamiast stawać się jednym ogromnym, stałym promptem.

Jak wyszukiwanie narzędzi ogranicza zużycie tokenów przez agenta?

Narzędzia podążają w tym samym kierunku. Zamiast ładować schematy wszystkich połączonych narzędzi do początkowego kontekstu, Claude Tool Search pozwala agentowi najpierw odkryć odpowiednie możliwości, a następnie załadować ich pełne definicje dopiero wtedy, gdy są potrzebne.

Anthropic informuje, że jego przykładowy zestaw narzędzi zmniejsza się z około 55 tys. tokenów do około 8,7 tys. tokenów dzięki funkcji Tool Search, co oznacza redukcję o 85%. Co ważniejsze, mniejsza liczba nieistotnych narzędzi ułatwia proces wyboru.

Zasada architektoniczna jest prosta: dostępne nie musi oznaczać załadowane. Sprawny agent może mieć dostęp do setek usług, udostępniając modelowi tylko kilka z nich na potrzeby bieżącego zadania.

Dlaczego agenci działający przez długi czas potrzebują trwałego stanu?

Fable 5.1 obsługuje okno kontekstowe o rozmiarze 1 mln tokenów, ale większe okno nie rozwiązuje każdego problemu związanego z długotrwałym zadaniem. Kontekst nadal staje się chaotyczny, kosztowny i nieaktualny.

Prace firmy Anthropic nad uprzężami agentów działających przez długi czas wskazują raczej na zewnętrzny stan. Agenci mogą pozostawiać pliki postępu, listy zadań, kod, testy i inne artefakty na potrzeby kolejnych sesji, zamiast przenosić całą historię pracy jako tokeny.

To rozróżnienie jest istotne. Pojemność pamięci i użyteczna pamięć to nie to samo. Trwały stan powinien być przechowywany poza aktywnym promptem, a następnie pobierany, gdy staje się istotny.

Gdzie powinny znajdować się pamięć agenta, umiejętności i dane RAG?

Gdy kontekst staje się modułowy, model nie musi już posiadać całego środowiska agenta. Umiejętności mogą być przechowywane w plikach. Pamięć może znajdować się w bazach danych. Źródła RAG mogą pozostać w prywatnej pamięci masowej. Serwery MCP i interfejsy API mogą udostępniać usługi tylko wtedy, gdy uprząż agenta ich potrzebuje.

Prywatny przepływ pracy RAG ułatwia dostrzeżenie tego rozdzielenia: dokumenty źródłowe i indeksy mogą pozostać lokalnie, a tylko wybrany kontekst jest wysyłany do modelu frontier w celu przeprowadzenia trudniejszego rozumowania.

Praktyczną zaletą jest przenośność. Model wnioskujący może się zmieniać, podczas gdy pliki użytkownika, przepływy pracy, umiejętności, pamięć i dane będące źródłem prawdy pozostają nienaruszone.

Czy domowy serwer może stać się warstwą środowiska wykonawczego agenta?

Tak, ale nie dlatego, że 269 KB tekstu wymaga serwera. Wymagania dotyczące pamięci masowej samego promptu są znikome. Przypadek zastosowania domowego serwera zaczyna się wtedy, gdy agent korzysta z trwałych plików, indeksów, baz danych, narzędzi, dzienników, artefaktów i usług, które powinny przetrwać niezależnie od jednej sesji modelu.

Domowy serwer AI może przechowywać tę trwałą warstwę, podczas gdy modele chmurowe lub lokalne zajmują się wnioskowaniem. Jeśli narzędzia mogą modyfikować te zasoby, znaczenie ma również projektowanie uprawnień; rozpoczęcie od narzędzi agentów AI działających tylko do odczytu ogranicza szkody, jakie może spowodować błędna instrukcja lub wynik wyszukiwania.

Dla użytkowników, którzy chcą jednego stale działającego systemu do przechowywania danych i usług hostowanych samodzielnie, ZimaCube 2 naturalniej pasuje do tej trwałej warstwy, niż gdyby miał rzekomo zastępować Fable 5.1. Model działający na czołowej pozycji może pozostać zdalny; pliki, usługi, dane RAG i artefakty nie muszą takie być.

Czy prompty systemowe stają się systemem operacyjnym agenta?

Analogia jest przydatna tylko do pewnego stopnia. Prompt systemowy jest tekstem. Nie może wymuszać uprawnień do pamięci masowej, izolować procesów ani kontrolować dostępu do sieci tak jak system operacyjny.

Szerszy mechanizm wykonawczy przypomina bardziej system operacyjny. Decyduje, co model może zobaczyć, jakie możliwości stają się dostępne, jakie uprawnienia otrzymują narzędzia, jak utrwalany jest stan oraz jak praca jest kontynuowana między wywołaniami modelu. Dlatego też automatyzacja agentów AI jest ostatecznie problemem uprawnień i infrastruktury, a nie tylko jakości modelu.

Historia Fable 5.1 wskazuje więc w innym kierunku niż stwierdzenie „prompty będą coraz dłuższe”. Całe środowisko agenta będzie się stale rozrastać, ale coraz lepsze mechanizmy wykonawcze będą pobierać właściwą umiejętność, narzędzie, pamięć i dowody tylko wtedy, gdy bieżący krok będzie ich potrzebował.

Najczęściej zadawane pytania

Czy monit systemowy Claude Fable 5.1 jest publiczny?

Firma Anthropic publikuje podstawowy monit systemowy używany przez Fable 5.1 w Claude.ai i swoich aplikacjach mobilnych. Ten oficjalny monit należy odróżnić od większych przechwyceń monitów środowiska wykonawczego innych firm, zawierających kontekst narzędzi i produktu.

Czy Claude Fable 5.1 został zhakowany?

Samo wyodrębnienie monitu środowiska wykonawczego nie dowodzi włamania do infrastruktury firmy Anthropic. Nie ma publicznych dowodów powiązanych z tym przechwyceniem monitu, które wskazywałyby na przejęcie wag modelu, prywatnych rozmów, baz danych klientów lub danych uwierzytelniających.

Jak długi jest monit systemowy Fable 5.1?

Nie ma jednej użytecznej liczby bez określenia, co jest mierzone. Zgłoszono, że przechwycony monit środowiska wykonawczego innej firmy miał około 269 KB i 2195 wierszy, ale zawiera więcej niż podstawowe instrukcje systemowe firmy Anthropic.

Czy monit Fable 5.1 ujawnił wspomnienia użytkowników?

Materiały środowiska wykonawczego zawierają instrukcje opisujące działanie pamięci. Instrukcje dotyczące systemu pamięci nie są tym samym co zapisane wspomnienia poszczególnych użytkowników, a z tego zrzutu nie wynika żaden publiczny dowód na ujawnienie prywatnych wspomnień użytkowników.

Jaka jest różnica między monitem systemowym a uprzężą agenta?

Monit systemowy przekazuje modelowi instrukcje o wysokim priorytecie. Uprząż agenta to szersza warstwa oprogramowania, która zarządza instrukcjami, narzędziami, wyszukiwaniem, pamięcią, uprawnieniami, wykonywaniem i trwałym stanem wokół modelu.

Czy dłuższy monit systemowy zużywa więcej tokenów?

Tak, jeśli ten tekst rzeczywiście znajduje się w aktywnym kontekście modelu. Dlatego znaczenie mają umiejętności, wyszukiwanie, Tool Search, buforowanie i kompaktowanie kontekstu: zapewniają dostępność funkcji bez ładowania wszystkiego za każdym razem.

Czy narzędzia MCP zużywają tokeny kontekstu?

Tak. Opisy narzędzi i schematy muszą być przedstawione modelowi, gdy ma on je wybrać i wywołać. Dynamiczne wykrywanie i odroczone ładowanie zmniejszają koszt udostępniania dużych katalogów narzędzi.

Czy pamięć agenta AI można przechowywać lokalnie?

Tak. Pamięć można przechowywać w lokalnych plikach, bazach danych, magazynach wektorowych lub innych trwałych usługach, a następnie selektywnie pobierać ją do późniejszych zadań. Trudniejszym problemem jest ustalenie, co należy przechowywać, czemu ufać, co wygasło i co pobierać.

Czy Claude Fable 5.1 może działać lokalnie?

Fable 5.1 nie jest dostępny jako publiczne wagi modelu do zwykłego wdrażania lokalnego. Konfiguracja hybrydowa może jednak nadal używać Fable 5.1 do zaawansowanego wnioskowania, a prywatne dane, źródła RAG, umiejętności, pamięć i usługi hostowane samodzielnie przechowywać w lokalnej infrastrukturze.