Это подробное руководство по продвинутому использованию Claude Code, подготовленное на основе курса Ника Сараева (Nick Saraev). В материале рассматриваются глубокая настройка системных промптов, стратегии оркестрации агентов, методы автоматического исследования и вопросы безопасности в эпоху «автономного кодинга».
🛠️ Продвинутые системные промпты и архитектура claude.md
Эффективная работа с Claude Code начинается не с кода, а с настройки «памяти» и правил проекта. Файл claude.md — это не просто инструкция, а инструмент сжатия знаний. Вместо того чтобы модель перечитывала каждый файл в репозитории при каждом запросе (тратя время и токены), claude.md предоставляет лаконичное резюме структуры и соглашений .
Ник выделяет четыре столпа качественного claude.md:
- Сжатие знаний: Высокоуровневое описание того, что происходит в папках, избавляющее от необходимости сканировать весь код .
- Пользовательские предпочтения: Специфические для вас конвенции (например, форматирование путей или стиль отладки), которые еще не вшиты нативно в Claude .
- Декларация возможностей: Четкий список того, что агент может делать (вызывать API, запускать браузер, действовать автономно). Без этого Claude часто недооценивает свою агентность и просит пользователя выполнить действия вручную .
- Лог успехов и неудач: Запись того, что уже пробовали и что не сработало. Это позволяет модели не тратить ресурсы на тупиковые пути решения .
Автор рекомендует разделять промпты на два уровня: глобальный (хранится в корневой папке пользователя и содержит информацию о вас, ваших целях и общих принципах экономии токенов) и локальный (в папке проекта, описывающий конкретные API и архитектуру) .
🔄 Итеративный рабочий процесс: цикл оптимизации
Продвинутый пользователь не просто пишет код, он постоянно обновляет систему правил. Ник предлагает «бесконечный» цикл оптимизации :
- Локальный цикл: Планирование фичи → Реализация → Сбор результатов (ошибки/успехи) → Обновление локального
claude.md. С каждой итерацией время разработки сокращается: если первый раз задача занялаXвремени, то во второй —0.9X, так как 10% «пространства поиска» уже отсечено правилами . - Глобальный цикл: После сотен запусков выполняется команда
/insights. Она анализирует историю чатов и выявляет паттерны ошибок. Если Claude постоянно «забывает» читать API-документацию, это правило переносится в глобальныйclaude.md.
Важный совет: всегда держите «человека в контуре» (human-in-the-loop) при обновлении глобальных правил. Математически, последовательность чисто нейросетевых шагов без проверки снижает общую вероятность успеха (эффект перемножения вероятностей: $0.9^3 = 0.73$) .
👥 Команды агентов и экстремальная параллелизация
Долгие автономные задачи (15 минут и более) убивают продуктивность, если просто сидеть и ждать. Решение — параллелизация через «упряжки» (harnesses) и под-агентов .
Ник выделяет три ключевых паттерна:
- Fan-out / Fan-in (Развертывание и сбор): Один «умный» агент (Claude Opus 4.6) формулирует задачу и запускает несколько специализированных под-агентов (Sonnet) для параллельного исследования разных аспектов. Затем Opus синтезирует их отчеты в финальное решение . Это экономит токены и время.
- Стохастический консенсус: Из-за стохастической (вероятностной) природы ИИ один и тот же запрос может давать разные результаты. Ник запускает 10 агентов с одной задачей, выявляет «моду» (наиболее частое решение) и находит уникальные «выбросы» (outliers) . Это позволяет покрыть 2.5x больше вариантов решения проблемы .
- Дебаты (Model-chat): Несколько Claude-инстансов в одном «зале ожидания» обсуждают предложенные идеи, критикуют друг друга и приходят к консенсусу .
🧪 Метод Auto-Research (по Карпати)
Одним из самых мощных инструментов 2026 года Ник называет «автоматическое исследование» (auto-research), популяризированное Андреем Карпати . Суть метода заключается в создании замкнутого цикла самосовершенствования системы без участия человека.
Для запуска auto-research необходимы три компонента :
- Метрика: Объективный показатель (например, оценка Google Lighthouse или скорость обработки запроса сервером).
- Метод изменения: Способ, которым ИИ может влиять на код (редактирование файлов).
- Оценка: Автоматический тест, который замеряет метрику после изменений.
Пример: Ник запустил цикл оптимизации скорости сайта. Агент делает микро-изменение, замеряет скорость, и если она улучшилась — сохраняет результат в лог. Такой цикл может прокручиваться 1440 раз в сутки, обеспечивая кумулятивный рост производительности (в примерах — ускорение загрузки на 20-50%) .
🌐 Автоматизация интернета: от HTTP до Computer Use
Ник ранжирует способы взаимодействия с сетью по уровню сложности и стоимости :
- HTTP-запросы: Самый дешевый и быстрый способ. Агент просто дергает API или скачивает текст страницы. Недостаток — высокая хрупкость и легкость блокировки со стороны сайтов .
- Browser Automation (MCP): Агент управляет браузером (Chrome DevTools MCP), кликает по кнопкам, заполняет формы. Это медленнее, но гораздо универсальнее .
- Computer Use: Высший уровень, когда Claude буквально управляет мышкой и клавиатурой вашего ПК. Это крайне дорого по токенам и медленно, но позволяет автоматизировать любые локальные задачи (например, поиск и переименование файлов в папке загрузок) .
🛡️ Безопасность и «Бластер» монокультуры
Автор предостерегает от чрезмерной зависимости от одной модели («монокультурное фермерство»). Если все ваши процессы завязаны только на Claude, то сбой Anthropic парализует бизнес . Рекомендуется диверсификация: держать часть процессов на OpenAI (Codex) или Gemini (через Anti-Gravity) .
Ключевые советы по безопасности :
- Утечка в истории чатов: Все API-ключи, введенные в чат в открытом виде, сохраняются в локальных JSONL-логах. Хакеры уже учатся сканировать эти папки . Используйте только
.envфайлы. - Галлюцинации пакетов: Claude может выдумать название библиотеки (например,
acornsвместоacorn). Злоумышленники создают вредоносные пакеты с такими опечатками (typosquatting), чтобы ваш агент их установил . - Row Level Security (RLS): При создании приложений на Supabase обязательно включайте RLS. Без этого любой пользователь может получить доступ ко всей базе данных .
🚀 Будущее: 1% против 99%
Ник завершает курс прогнозом о «продуктивном разрыве» . Сейчас менее 1% населения Земли понимают, как использовать «упряжки» агентов. Это создает колоссальный рычаг: один человек, владеющий Claude Code на продвинутом уровне, может выполнять объем работы, на который раньше требовался отдел из 100 человек .
Главный вывод: в будущем «мощность» софта перестанет быть конкурентным преимуществом, так как ИИ позволяет любому подростку скопировать Netflix за 5 минут . Настоящим преимуществом останутся дистрибуция, репутация и умение управлять этой новой формой цифрового интеллекта.
