Context engineering Claude 5: koniec dlhých pravidiel
Anthropic zrezal systémový prompt Claude Code o vyše 80 % a odporúča strom krátkych súborov namiesto jedného preplneného CLAUDE.md.

Context engineering?Návrh toho, aké informácie a v akom poradí dostane jazykový model, aby dával lepšie výstupy. Zahŕňa systémový prompt, súbory s pravidlami aj referencie na kód. Claude 5 sa práve otočil o stoosemdesiat stupňov. Anthropic 24. júla 2026 zverejnil nové pravidlá a zároveň priznal, že zo systémového promptu nástroja Claude Code odstránil vyše 80 % obsahu pri prechode na modely Opus 5 a Fable 5. Podľa firmy pri tom nezaznamenala merateľnú stratu na hodnoteniach kódovania. Posun je jednoduchý: menej tvrdých pravidiel, viac dôvery v úsudok modelu.
Kto posledné dva roky staval prompty pre Claude, pozná ten reflex. Model niečo pokazí, vy pridáte riadok. „Never write comments.“ „Always use tabs.“ Prompt rastie ako komín technického dlhu, ktorý nikto neaudituje. Anthropic teraz hovorí, že väčšina tých riadkov je mŕtva váha.
Čo presne Anthropic zmenil v context engineeringu Claude 5
Zmizli desiatky rigidných zákazov a namiesto nich prišlo pár princípov. Podľa analýzy zverejnenej 24. júla 2026 Anthropic odstránil vyše 80 % systémového promptu Claude Code a tvrdí, že to výkon pri kódovaní neznížilo. Systémový prompt?Skryté inštrukcie, ktoré model dostane pred každou konverzáciou a ktoré definujú jeho rolu, ciele a obmedzenia. dnes pripomína skôr stručné poslanie než encyklopédiu výnimiek.
Ukážkový príklad prezrádza logiku. Kde predtým stál rad zákazov o komentároch, je teraz jediná zásada: písať kód, ktorý zapadne medzi okolité súbory, teda dodržať existujúcu hustotu komentárov, pomenovania a idiómy repozitára. Model má správanie odvodiť z kontextu, nie z vopred nadiktovaného zoznamu obmedzení. Podľa upozornenia AIWeekly ide o „judgment over rigid rules“.
Druhý posun je technicky pikantný. Anthropic tvrdí, že príklady vložené priamo do opisov toolov novú generáciu skôr zväzujú, než jej pomáhajú. Namiesto veľkých blokov ukážok majú mať tooly čitateľné schémy, jasné parametre a obmedzené hodnoty, aby rozhranie samotné učilo model, ako ho použiť.
Prečo strom súborov porazil jeden CLAUDE.md
Front-loading skončil. Anthropic odporúča prestať nalievať všetko do jedného preplneného CLAUDE.md?Súbor v repozitári, do ktorého tímy zapisujú pokyny a špecifiká projektu pre nástroj Claude Code. a namiesto toho myslieť v strome: systémový prompt, potom ľahký CLAUDE.md, potom krátke skills?Krátke, tematicky zamerané súbory s inštrukciami, ktoré sa modelu načítajú len vtedy, keď sú pre danú úlohu relevantné. a nakoniec samotný kód a testy. Každá vrstva má jasnú rolu a hranicu.
Princíp sa volá progressive disclosure?Postup, pri ktorom model ťahá detailný kontext až vo chvíli, keď ho potrebuje, namiesto nalievania všetkého dopredu.. Model si detail ťahá až vtedy, keď ho potrebuje, nie dopredu do každej konverzácie. Dlhé procesy ako code review, bezpečnostné kontroly či overenie release patria do samostatných skills, ktoré sa načítajú iba pri relevantnej úlohe. Kľúčové referencie nemajú byť opisné textové dokumenty, ale reálny kód, špecifikácie, testy a makety.
Čo teda ostáva v CLAUDE.md? Len to, čo model nedokáže odvodiť sám: špecifiká repozitára a „gotchas“, ktoré nevyčíta z file systému. Claude 5 má vlastnú auto-memory?Vstavaná pamäť modelu, ktorá si sama uchováva relevantné informácie, takže ich netreba ručne ukladať do súboru., takže univerzálny zápisník už nedáva zmysel. To, čo si model pamätá sám, doň nepatrí.
Ak tento posun beriete vážne, znamená to prepis tímových zvyklostí, nie kozmetiku. Kto vedie inžinierov, ktorí denne pracujú s AI v produkcii, ocení štruktúrovaný pohľad na správu kontextu a QA: dvojdňový workshop pre CTO a vedúcich vývoja o vedení AI inžinierskych tímov preberá RAG v produkcii aj to, ako nepremeniť kontextové súbory na rozpočtovú dieru. Má zmysel, ak už máte AI v produkte a nie len v prototype.
Ako /doctor audituje vaše kontextové súbory
Anthropic pridal do Claude Code príkaz /doctor (respektíve claude doctor), ktorý analyzuje skills a CLAUDE.md a navrhuje, čo možno bezpečne zmazať. Hľadá pravidlá napísané pre modely, ktoré už neexistujú, a duplicity roztrúsené medzi systémovým promptom, opismi toolov, skills a kódom. Tie označuje ako dead weight.
Konkrétne robí tri veci:
- Hľadá duplicitné pravidlá naprieč promptom, toolmi, skills a repozitárom.
- Navrhuje skrátenie častí, ktoré model dokáže odvodiť z kódu alebo testov.
- Pomáha „rightsize“ skills a inštrukčné súbory na mieru schopnostiam Claude 5.
Jeden technický zápis uvádza, že kontrola CLAUDE.md cez /doctor pribudla vo verzii 2.1.206. Kto beží na staršej verzii, časť odporúčaní neuvidí, kým neaktualizuje. Anthropic radí zaradiť „doctor pass“ do review checklistu, teda spustiť audit pred mergeom väčších zmien v kontextových súboroch.
Kde je to skvelé a kde by som bol opatrný
Smer je správny a dávno prezretý. Prompty rástli, lebo pridať riadok je lacné a zmazať ho sa nikto neodváži. Firma, ktorá modely stavia, teraz hovorí, že menej pokynov znamená lepší úsudok. Tomu verím, videl som dosť promptov, kde sa polovica pravidiel navzájom bila.
Opatrnosť je namieste na dvoch miestach. Prvé: „bez merateľnej straty na coding evals?Hodnotenia, ktoré merajú, ako dobre model rieši programátorské úlohy na štandardizovaných testoch.“ je tvrdenie výrobcu na jeho vlastných hodnoteniach. Ako pri každom benchmarku platí, že rozhoduje váš repozitár a vaše regresie, nie cudzia tabuľka. Overte si to na vlastnom kóde, nie na dôvere.
Druhé: dôvera v úsudok modelu presúva zodpovednosť na review. Kto skontroluje, že model „odhadol“ správne, keď mu neviete ukázať na riadok pravidla, ktoré porušil? To je otázka pre code review a on-call, nie pre prompt. Ak plánujete stavať agentov nad touto logikou, oplatí sa najprv rozumieť architektúre kontextu, RAG a agentov pre reálne produkčné nasadenia, kde je progressive disclosure súčasťou návrhu, nie dodatočnou záplatou.
Pre tímy, ktoré si vyberajú medzi modelmi, dáva zmysel čítať tieto pravidlá spolu s porovnaním, čo Opus 5 a Fable 5 stoja a kedy sa oplatia. Kratší prompt totiž mení aj ekonomiku behu, nielen kvalitu výstupu.
Prejdete na kratšie prompty a strom skills pre Claude 5?
Výsledky uvidíte po hlasovaní.
Čo s tým spraviť tento týždeň
Prvý krok je nudný a účinný. Aktualizujte Claude Code, spustite /doctor nad svojím CLAUDE.md a skills a pozrite sa, koľko z nich boli pravidlá pre model, ktorý už neexistuje. Potom rozbite jeden monolit na strom: princípy do systémového promptu, špecifiká repozitára do ľahkého CLAUDE.md, dlhé procesy do samostatných skills.
Nakoniec jedna vec, ktorá platí pri každom výrobcovi. Kratší prompt neznamená menej práce, znamená inú prácu. Namiesto písania zákazov budete kurovať referencie: kód, testy, špecifikácie, ktoré model naozaj číta.
Väčšina promptov je dnes archív strachu, nie návod.
Diskusia
Zatiaľ tu nie sú žiadne komentáre. Buďte prvý.
Čítajte ďalej
Viac zo sekcie Vývoj & inžinierstvo →
Lokálne AI modely vo firme: kedy dáta neposielať do cloudu
Protokol MCP prechádza na verziu 2026-07-28 a Google Cloud spúšťa oficiálnu podporu spravovaných remote serverov. Pre firmu to mení kalkuláciu medzi cloudom a behom modelu na vlastnom zariadení.

MCP server: ako spoľahlivo napojiť AI na kód a dáta
MCP server sa etabloval ako jednotný protokol medzi AI klientmi a firemnými dátami. Rozdiel medzi lokálnym pokusom a produkčným nasadením je v tom, ako riešite identitu a rozsah prístupu.

Kimi K3 kódovanie: benchmarky verzus prax
Kimi K3 dominuje niektorým kódovacím benchmarkom, no nezávislé porovnanie na živých produkčných codebase zatiaľ chýba. Rozoberáme, kde model dáva zmysel a kde je opatrnosť namieste.

RAG pipeline optimalizácia: 90 s na 4 s bez modelu
Odozvu RAG pipeline vraj možno stlačiť z 90 na 4 sekundy bez výmeny modelu, len úpravou retrieval vrstvy, cache a orchestrácie volaní. Rozoberáme, čo z toho sedí s praxou a čo si treba overiť.

MCP server na delegovanie modelov: kedy to dáva zmysel
MCP server na delegovanie modelov necháva jedného hlavného agenta odovzdávať konkrétne úlohy iným modelom bez opustenia hlavnej aplikácie. Pozreli sme sa, ako to funguje technicky a kedy sa to firme reálne oplatí.

GPT-Red od OpenAI: LLM-hacker na test obrany AI
OpenAI 15. júla 2026 predstavil GPT-Red, interný model na automatizovaný red-teaming. Použil ho na tréning GPT-5.6 a tvrdí, že tak dosiahol svoju najodolnejšiu verziu voči injekcii promptov.