OpenAI и Anthropic признали проблему промпт-долга: почему старые промпты ломают новые модели.
Каждый, кто регулярно работает с языковыми моделями, сталкивался с ситуацией: промпт или скилл постоянно улучшается, в него добавляются инструкции, ограничения и примеры, но со временем качество начинает падать. После перехода на новую модель отработанный процесс может полностью сломаться, даже если сама модель отлично показывает себя в бенчмарках и справляется с другими задачами.
Так выглядит промпт-долг. Пока он небольшой, но со временем «проценты» набегут. Это похоже на технический долг в программировании, но прогресс в ИИ очень быстрый, поэтому ситуация может оказаться даже сложнее.
Проблему уже признали в OpenAI и Anthropic. Например, руководства по промптингу GPT-5 и GPT-5.6 отличаются почти полностью. Команда Claude Code недавно удалила 80% системного промпта для новых моделей Claude Fable 5 и Opus 5.
Корневая причина промпт-долга проста: новые модели выходят каждые 2-3 месяца, и инструкции, написанные год назад, перестают работать, а иногда становятся вредными. Это касается не только промптов: в скиллах и в новомодном loop engineering, когда ИИ работает циклами и промптит сам себя, проблема еще коварнее.
Профессиональные IT-команды давно научились работать с техническим долгом с помощью нескольких известных техник. Теперь учиться работать с промпт-долгом предстоит всем, кто использует ИИ. Большой разбор объемом 35 тысяч знаков затрагивает основные причины возникновения промпт-долга, скрытые места, где он растет сам по себе, способы писать промпты с нуля и рефакторить уже существующую библиотеку промптов, скиллов, файлов с инструкциями и циклов. Материал опирается на советы OpenAI, Anthropic и независимых специалистов.
Если работать по инструкции, понадобится совсем немного времени, и ИИ заработает даже лучше.
