Claude Code Creator Boris Cherny Mendesak Pengembang untuk Menghapus 80% Prompt Sistem

Setiap enam bulan, hapus file Claude.md, hapus keterampilan Anda, hapus hook Anda.

Ini adalah saran dari Boris Cherny—pencipta Claude Code—untuk pengguna produk.

Dalam video wawancara baru yang dirilis YC pada 28 Juli berjudul "Boris Cherny: We Cut 80% of Claude Code’s Prompt", Boris dengan antusias mendesak semua pengembang produk AI untuk berani menghapus prompt, alat, dan kode harness dari produk baru mereka.

△

Anda harus menghapus seluruh sistem prompt, lalu menambahkannya kembali satu per satu, untuk melihat apa dampak dari setiap baris.

Konsep di balik pandangan ini adalah ablation study, yang menjadi tema utama wawancara terbaru Boris Cherny, bertujuan untuk menghapus, mengganti, atau mematikan satu modul sambil mengontrol variabel lain tetap konstan, guna membandingkan perubahan dalam kinerja, stabilitas, efisiensi, atau biaya.

Dalam wawancara tersebut, Boris dengan penuh kebanggaan menyatakan: Sebenarnya untuk Opus 5, kami benar-benar menyarankan agar Anda mencoba menghapus semua hal ini, karena modelnya sudah tidak lagi diperlukan.

Meskipun baru-baru ini terjadi gejolak... pengguna juga bisa mengklaim, "Sebenarnya untuk Claude, saya benar-benar menyarankan untuk menghapusnya, karena kita sudah tidak membutuhkannya lagi." (x)

Selain "penghapusan berani", Boris juga mengungkapkan lebih banyak pemikiran bernilai tentang desain produk, penggunaan model, dan pembelajaran pemrograman dalam wawancaranya—

Pandangan dalam artikel ini berasal dari video wawancara, dengan poin penting sebagai berikut: 1. Strategi iterasi produk Boris: kurangi tebakan, lebih banyak lakukan pengujian; 2. "Kelebihan produk": kemampuan model selalu akan melebihi batas produk pada periode yang sama; 3. "Pembebasan": biarkan model menyelesaikan tugas yang lebih sulit dan bekerja mandiri lebih lama; 4. Bagaimana pengguna Claude terbaik menggunakan AI?; 5. Tiga saran untuk pelajar pemrograman

Kode di dalam Claude Code hari ini hampir hanya tersisa bagian keamanan, izin, dan analisis statis.

Pada 24 Juli, Anthropic merilis aturan terbaru tentang rekayasa konteks Claude 5, di mana system prompt untuk Claude Code secara signifikan disederhanakan, menghapus lebih dari 80% instruksi sebelumnya untuk model-model baru seperti Opus 5 dan Fable 5.

Untuk referensi lebih lanjut, lihat artikel QbitAI: "Claude Code Menghapus 80% Prompt, Opus 5 Malah Mengembalikannya."

Mengenai perubahan ini, Boris berbagi strategi iterasi produknya dalam wawancara: Jangan tebak perintah apa yang dibutuhkan model, karena kamu tidak akan bisa menebaknya dengan benar. Yang bisa kamu lakukan adalah menghapus baris demi baris, menguji, dan menemukan titik-titik di mana model terus-menerus macet.

Anda harus memikirkan model sebagai makhluk hidup, sesuatu yang lebih organik. Perilaku setiap generasi model berbeda, kepribadiannya sedikit berbeda, Anda perlu menghabiskan waktu untuk memahaminya, lalu menyesuaikan harness berdasarkan itu.

△

Oleh karena itu, bagi Boris ini lebih bersifat "pengalaman", yang harus ditangani secara ilmiah: mencoba tanpa prasangka, memeriksa hasilnya, mengiterasi, dan mengulanginya.

Di dunia yang terus-menerus dirobohkan dan dibangun ulang ini, Eval juga belum tentu dapat digunakan secara stabil. Meskipun memang lebih tahan lama daripada harness dan prompt, saat ini model berkembang terlalu cepat, sehingga seringkali satu set evaluasi dengan cepat mencapai skor maksimal. Oleh karena itu, perlu mengamati di mana model terus-menerus kesulitan, lalu merancang Eval baru.

Dalam wawancara tersebut, Boris membagikan konsep yang disebut "Product Overhang", yang menurutnya merupakan cara berpikir yang sangat membantu dalam membuat produk.

Overhang, apa artinya? Kelebihan.

Model besar bergerak melalui lompatan diskontinu, sementara integrasi produk bergerak secara kontinu dan inkremental. Hal ini menyebabkan kemampuan yang dimiliki model selalu melampaui batas yang dapat dilepaskan oleh produk saat ini.

Boris memberikan contoh: pada akhir 2024, ketika Sonnet 3.5 baru diluncurkan, model ini sudah mampu menulis seluruh kode file sekaligus. Namun, produk pemrograman saat itu seperti Copilot dan versi awal Cursor masih fokus pada tugas-tugas kecil seperti melengkapi kode.

Claude Code dengan izin penuh terminal sebagian menutupi kesenjangan ini. Ini juga merupakan konsep kedua yang diajukan Boris, “Unhobbling,” yaitu melepaskan pembatasan.

△

Dia membagikan kasus internal dari Anthropic: seseorang mencoba menghubungkan Opus 5 dengan OpenCV (perpustakaan komputer vision open source terbesar di dunia), dan ternyata model tersebut mampu menggambar potret manusia dan pemandangan hewan, padahal sebelumnya mereka tidak pernah melatih model untuk menggambar.

Ini adalah "model elicitation", di mana melalui desain prompt, konteks, alat, atau bentuk produk tanpa mengubah bobot model, model dapat menunjukkan kemampuan yang sudah dimilikinya tetapi sebelumnya tidak dipanggil.

Meskipun mungkin masih ada pertanyaan di sini: bagaimana cara mengaitkannya? Apakah model benar-benar membangkitkan kemampuan yang sudah dimilikinya, atau apakah model belajar keterampilan baru karena desain “perancah”?

Namun mungkin ini tidak terlalu penting, bagaimanapun juga, Boris tidak meragukan adanya peluang bisnis besar di sini:

Saya tidak mengatakan semua startup bisa menangkapnya. Tapi saya tahu ada orang yang memikirkan masalah-masalah ini, dan di sini benar-benar ada peluang besar untuk memicu perilaku yang luar biasa, menarik, dan bernilai komersial dari model tersebut.

Untuk itu, Boris mengusulkan tiga metode "pembebasan" model miliknya sendiri.

Pertama, berikan tugas yang lebih sulit daripada yang Anda bayangkan kepada model. Jelaskan dengan jelas tujuan, batasan, dan kondisi keluar, lalu lepaskan.

Kedua, lebih banyak lakukan eksperimen. Izinkan model melakukan beberapa percobaan yang tidak memiliki tujuan bisnis jelas tetapi menyenangkan, "berikan diri Anda kebebasan untuk bermain dengan model dan melakukan hal-hal kreatif".

Ketiga, biarkan model memverifikasi hasilnya sendiri. Saat ini, fokusnya bukan lagi pada "prompt engineering", melainkan, "bagaimana Anda membuat Claude memverifikasi pekerjaannya sendiri selama prosesnya setelah diberi tugas yang sangat sulit?"

Boris percaya bahwa poin ketiga mungkin adalah hal paling tidak berhasil yang dilakukan orang saat ini. Karena jika model tidak dapat memverifikasi tugasnya sendiri, ia tidak dapat beroperasi secara mandiri dalam jangka panjang.

△

Contoh miliknya sendiri mungkin dapat memberikan inspirasi kepada semua orang:

Boris: "Baik, yang ingin saya kamu lakukan adalah—menulis ulang aplikasi Electron menjadi Swift. Saya ingin kamu menjalankan aplikasi Electron di mesin virtual Mac, mengambil tangkapan layar, lalu membandingkan pixel-per-pixel dengan versi Swift, jangan berhenti sampai selesai." Host: Ini prompt-mu? Boris: Ini prompt-ku. Host: Sudah berjalan berapa lama? Boris: Masih berjalan. Host: Kapan mulainya? Boris: Sudah berjalan lebih dari dua minggu, sekitar 14 atau 15 hari... Claude juga memutuskan untuk melakukan siaran langsung, dengan membuat saluran Slack internal dan mengirimkan tangkapan layar kemajuan setiap beberapa menit.

Di akhir wawancara, host mengajukan pertanyaan:

Jadi, Boris, bagaimana cara kita bisa menggunakan Claude sebaik kamu?

Boris mengatakan yang paling penting adalah jangan dengarkan apa yang dikatakan para influencer di LinkedIn, jangan scroll Twitter.

Tentang penggunaan AI, "semua orang mencari trik ajaib itu. Tapi tidak ada semacam itu. Tidak ada semacam itu."

Dia menyarankan agar semua orang memperlakukan model dengan pendekatan empiris, melupakan pengalaman masa lalu dengan model lama dan teori ilmu komputer yang dipelajari di kelas, serta langsung mengamati di mana model mengalami hambatan, lalu menyesuaikan secara tepat sasaran.

Jadi, ini bukan lagi ilmu teoretis, melainkan telah berubah menjadi ilmu empiris. Saya merasa orang-orang yang sangat mampu melepaskan prasangka mereka sendiri, melepaskan pikiran-pikiran “dulu tidak berhasil”, dan bersedia mencoba lagi—akan sangat, sangat sukses.

Yang lebih penting adalah mempertahankan sikap mental untuk melepaskan keinginan Anda untuk mengendalikan model, perlakukan model seperti rekan kerja, jangan terlalu banyak menentukan, jangan membuat permintaan yang terlalu spesifik, dan jangan mencoba membuat model melakukan tugas persis seperti cara yang Anda lakukan. Karena "model tidak bekerja seperti itu."

Bagi mereka yang masih belajar pemrograman, Boris menyerukan agar tidak hanya belajar teori ilmu komputer murni, tetapi juga belajar bagaimana menerapkannya. Sebagai contoh, motivasi awalnya belajar pemrograman adalah untuk mencontek ujian matematika.

Biasanya ini tentang kewirausahaan, tentang membuat produk, tentang mengembangkan rasa desain dan bisnis Anda sendiri, belajar bagaimana melakukan ilmu data, belajar bagaimana berdialog dengan pengguna... Ketika Anda menggabungkannya dengan ilmu komputer dan teknik, barulah menjadi benar-benar bernilai.

Secara singkat, “lakukan dulu apa yang ingin kamu buat, lalu tingkatkan untuk membuat apa yang diinginkan orang lain”.

Artikel ini berasal dari akun WeChat "Quantum Bit" (ID: QbitAI), penulis: Peduli teknologi mutakhir