Июль у Claude: от умного чата к сотруднику, которого показал один раз

# Июль у Claude: от умного чата к сотруднику, которого показал один раз

В июле Anthropic выпустила серию обновлений, которые фундаментально изменили подход к использованию платформы Claude. Если ранее акцент делался на интеллектуальных способностях языковой модели, то теперь приоритетом стала способность агента выполнять задачи после единичной демонстрации. Основная тенденция месяца очевидна: система эволюционирует от инструмента, требующего постоянного объяснения инструкций, к автономному сотруднику, которому нужно однажды показать, как выполнять работу, а дальше он делает это самостоятельно.

*«Почти всё, что вышло за месяц, тянет Claude в одну сторону: от модели, которой ты объясняешь задачу словами каждый раз, к агенту, которому ты один раз показал, как надо, и дальше он делает сам»*, — отмечает автор анализа, подчеркивая сдвиг в философии использования AI.

Обучение демонстрацией: Record a Skill

Самым значимым обновлением стало появление функции Record a Skill, выпущенной 21 июля. Технология позволяет обучать модель рабочим процессам методом показа, а не текстового описания. Механика проста: пользователь включает запись экрана в десктопном приложении, выполняет задачу руками и вслух комментирует свои действия. Система анализирует клики, нажатия клавиш и голосовые комментарии, формируя на их основе готовый навык.

Ранее для стабильного повторения рабочего процесса требовалось писать подробные инструкции, прикладывать документацию и отлаживать промпты, часто пропуская нюансы, которые забывались. Теперь достаточно провести одну демонстрацию, как если бы вы обучали стажёра. Однако, важно понимать ограничения: навык из одной записи является заготовкой. Он отлично ловит «счастливый путь», но легко пропускает исключения или редкие сценарии, не продемонстрированные пользователем.

Технические детали функции: * Доступность: Тарифы Pro, Max и Team. На бесплатном тарифе функция отсутствует. * Платформы: Поддерживаются только десктопные версии (Windows и macOS). Веб-версия и мобильные приложения пока не поддерживают эту механику. * Рабочий процесс: Записываете задачу, проговариваете исключения, формируете навык. Обязательным этапом является прогон сгенерированного навыка на свежих данных перед вводом в эксплуатацию, так как одна демонстрация не покрывает все грани задачи.

Экономика внимания: Opus 5 и регулятор усилий

24 июля вышел Opus 5, преемник популярной модели Opus 4.8. Стоимость модели осталась прежней: 5 долларов за миллион входных токенов и 25 долларов за миллион выходных. В контексте оптимизации расходов ключевой нововведением стала возможность настройки регулятора усилий.

Теперь пользователь может указать модели, сколько времени и ресурсов затрачивать на размышление над задачей (уровни low, medium, high). Это напрямую влияет на объём токенов рассуждения (chain-of-thought). Важно понимать техническую суть: цена ошибки в вычислениях платится именно за выходные токены, то есть за то, сколько модель «подумала». Если модель генерирует три абзаца внутренних размышлений перед коротким ответом, пользователь платит за это по самому дорогому тарифу.

Как применять регулятор усилий?

Для минимизации затрат предлагается разделять задачи по критерию стоимости ошибки:

1. Дешевые ошибки (Low): Переформулирование текста, генерация JSON, написание commit-сообщений. Здесь экономия на уровне high имеет смысл и не несет рисков. 2. Умеренные ошибки (Medium): Рефакторинг функций, генерация SQL-запросов. Рекомендуемый дефолт — средний уровень с точечным повышением, если задача неоднозначна. 3. Критические ошибки (High): Необратимые операции в базах данных, управление инфраструктурой, финансовая аналитика. Требуется максимальное усилие и проверка по шагам.

*«По умолчанию стоит низкий уровень для задач с дешёвыми ошибками и ручной подъём усилия только по явному признаку неоднозначности, а не по субъективному ощущению сложности»*, — советует специалист.

Opus 5: Голос и интерактивность

Модель получила два новых вектора развития, меняющих её роль:

1. Голосовой режим: Оптимизирован для ведения диалогов, а не монологов. Может переключать модели посреди разговора (например, с Opus 5 на Sonnet) для оптимизации ресурсов. Интегрирует реальное действие в сервисы вроде Gmail, Slack и почтовых ящиков, а не просто генерирует ответы. 2. Интерактивность: Теперь можно отправлять сообщения и изображения прямо в окно чата с модели, что делает общение более естественным.

Протокол MCP: стандарт доступа к системам

28 июля Anthropic открыла официальную поддержку Model Context Protocol (MCP). Это стандартный протокол, позволяющий моделям безопасного взаимодействовать с внешними системами, базами данных и API. MCP заменяет старые методы интеграции (например, --allow-cli-inputs) и устраняет проблемы с безопасностью, связанные с прямым доступом к системе.

Преимущества MCP: * Безопасность: Полноценная корпоративная авторизация через OAuth и OIDC. * Наблюдаемость: Дашборды для отслеживания состояния коннекторов и их логов. * Приватность: Возможность создания MCP-туннелей для доступа к приватным сетям. * Интерактивный UI: MCP Apps могут отображать интерфейс прямо в ответе, что делает агентом полноценную панель управления.

Технически MCP работает на базе stateless-ядра под serverless, что позволяет легко масштабировать агентов. Если раньше агенты требовали настройки и развертывания, то теперь они получают безопасный доступ к системным ресурсам через стандартизированные коннекторы.

Упразднение Workbench и экспериментальных API

Для пользователей старой десктопной версии (Workbench) и тех, кто использует экспериментальные API для генерации промптов, установлен жёсткий дедлайн: 17 августа. Доступ к этим интерфейсам будет отключен, и данные необходимо успеть выгрузить. Эта мера мотивирует разработчиков переносить свои рабочие процессы на актуальные платформы.

Чего стоит ожидать и как адаптироваться

Сводка обновлений июля показывает, что Anthropic перестаёт продавать «умную модель» и начинает собирать «сотрудника», которого нужно обучить один раз. Каждое обновление можно игнорировать по отдельности, но вместе они меняют не только интеллектуальный уровень Claude, но и количество ручной работы, остающейся у пользователя.

Что взять на вооружение прямо сейчас: 1. Record a Skill: Записывайте все рутинные задачи, которые выполняются чаще раза в неделю. Обязательно запускайте полученный навык на тестовых данных, чтобы покрыть «края» задачи. 2. Регулятор усилий: Применяйте уровень low по умолчанию для простых задач. Поднимайте уровень только тогда, когда модель явно застревает на неоднозначности, а не когда вы просто чувствуете сложность. 3. Логирование моделей: Следите за полями в логах, указывающими, какая именно модель реально ответила (Opus 5, Sonnet или другой прокси). Тишина в плане фолбэка может вводить в заблуждение.

Что требует дальнейшего исследования?

В комментариях и анализе отмечается отсутствие публичных бенчмарков, которые бы сравнивали эффективность разных уровней усилий на конкретных задачах. Например, как именно меняется качество ответа и количество токенов при переходе с low на medium на сложных сценариях. Практических данных по точным цифрам пока нет, что затрудняет принятие решений о масштабировании ресурсов.

--- Источники: * Анонс Opus 5 и заметки о ценах (Axios, Fortune) * Record a Skill (Dataconomy) * Сводка июльских релизов (Releasebot)

Об авторе: Автор ведет AGINE Academy — практический курс по искусственному интеллекту на базе Claude (независимый продукт компании AGINE AI, не связан с Anthropic). Разборы основаны на рабочих задачах, а не на маркетинговых пресс-релизах.

Теги: claude, claude-code, anthropic, opus Хабы: IT-инфраструктура, Искусственный интеллект

---

*Примечание: Текст подготовлен на основе анализа материалов Habr, включая комментарии сообщества, и адаптирован для краткости и структурированного изложения.*