Поки звичайні люди ще вивчають «найпотужніші промпти», топові лабораторії Сіліконової долини вже перетворили інфраструктуру ШІ на лінію збирання.

Автор статті, джерело: NewZeal

Ви ще використовуєте чат-бокс ChatGPT, щоб повторно налаштовувати prompt?

Недавно користувач X опублікував твіт, який починається з вигуку: Витік шаблону проекту Claude Code, яким таємно користуються великі компанії!

Це вже не написання підказок. Це інфраструктура AI-інженерії.

Вся стратегія побудована навколо файлу «CLAUDE.md», а його основні принципи — лише три:

Кожного разу, коли Claude робить помилку → ти додаєш одне правило; кожного разу, коли ти повторюєш себе → ти додаєш робочий процес; кожного разу, коли виникає баг → ти додаєш захист.

Це дозволяє перетворити досвід проекту на довгостроковий контекст і автоматизовані обмеження, які він читає при кожному запуску.

Вся архітектура, як штатна одиниця AI-компанії: CLAUDE.md — це інструкція для новачків, skills/ — це робочі SOP, hooks/ — це відділ відповідності, docs/ — це статут компанії, tools/ — це відділ підтримки, src/ — це справжній бізнес-відділ, який виконує роботу.

Ви більше не спілкуєтеся з ІІ, а створюєте ІІ, яка розуміє ваш сховище коду.

Найбільш збентежлива частина полягає в тому, що вам потрібно налаштувати це лише один раз — Claude автоматично перевірятиме код, перебудовуватиме його за інструкціями, забезпечуватиме дотримання архітектурних правил, писатиме оголошення про випуск, запускатиме робочі процеси з навичок, пам’ятатиме минулі помилки тощо.

І він стане розумнішим з кожним використанням.

Більшість людей відкривають ChatGPT, пишуть підказки, копіюють і вставляють, повторюючи це знову і знову; а в цій стратегії вам потрібно лише відкрити термінал і запустити код навички, який вже надано.

Це як утримувати команду AI-колег у власному кодовому сховищі.

Цей твіт передає невеликий сигнал того, що ця епоха тихо закінчується, і більшість людей ще не зрозуміли цього.

Знімок екрана, що не є витоком інформації, розкриває правду

Знімок екрана, який опублікував @ai_rohitt, є офіційно рекомендованим стандартним шаблоном Claude Code з документації Anthropic.

CLAUDE.md — це файл пам’яті про проект, який Claude Code автоматично читає при початку кожного сеансу.

.claude/skills/ та .claude/hooks/ — це офіційно підтримувані механізми розширення.

Це всі це публічні практики, які спільнота обговорювала кілька місяців, а не щось «внутрішнє шаблони», викрадене хтось.

Але те, що його активно розповсюджують досвідчені розробники, свідчить про те, що воно отримало схвалення розробників, які щодня використовують Claude.

Досить багато людей, можливо, саме ці дні усвідомили, що його можна використовувати так.

А топова команда з Кремнієвої долини вже перетворила це на лінію з виробництва.

Перший приклад — це команда OpenAI Frontier.

У експериментах команди Frontier, оприлюднених OpenAI, внутрішній бета-проект, який почався з порожнього репозиторію, за приблизно 5 місяців створив близько 1 мільйона рядків коду та близько 1500 PR за допомогою Codex; команда зросла з 3 до 7 осіб, а люди не писали код безпосередньо.

Руководитель Райан Лопополо додав у наступному інтерв’ю, що цей робочий процес наблизився до граничної форми «0 ручного коду, 0 ручного перевірки».

Він вважає, що замість економії токенів краще використовувати надзвичайно високу паралельну здатність моделі та її надзвичайно низькі витрати, щоб замінити обмежену та дорогу синхронну увагу людини.

Другий приклад — це внутрішня автоматизована система агентів Stripe під назвою Minions.

Minions у Stripe щотижня генерують і продовжують більше ніж 1300 PR, код яких повністю створений ШІ, але все ще проходить ручний огляд.

Тут ще одна пара даних: 1,6% проти 98,4%, яка походить зі статті, опублікованої VILA-Lab університету Мухаммеда бін Зайд аль-Нахаян.

https://arxiv.org/pdf/2604.14228

Дослідник систематично проаналізував 512 000 рядків вихідного коду TypeScript версії Claude Code v2.1.88 і прийшов до висновку, що лише 1,6% складає логіка прийняття рішень штучним інтелектом, а решта 98,4% — детермінована інженерна інфраструктура.

Точніше, це чотири категорії: шлюз прав, управління контекстом, маршрутизація інструментів та відновлення після помилок.

Ці цифри не означають, що модель вносить лише 1,6% потужності, а навпаки, показують, що велика частина складності Claude Code як продукту лежить не в самій моделі, а в детермінованій інфраструктурі — правах доступу, контексті, маршрутизації інструментів, механізмах відновлення тощо.

@ai_rohitt Структура CLAUDE.md/skills/hooks з цієї картинки — це «базова інфраструктура», яку може збудувати будь-який розробник; вона має ту саму парадигму, що й виробнича архітектура OpenAI та Stripe, але значно меншого масштабу.

Секрети, розкриті в CLAUDE.md

Протягом останніх трьох років усі питали: «Коли GPT стане розумнішим?» «Коли з’явиться нова версія Claude?»

Але команди, які справді успішно впровадили AI-програмування у виробничому середовищі, можливо, взагалі не звертають уваги на це, а замість цього ставлять питання: як змусити AI пам’ятати свої минулі помилки, як змусити AI перед початком роботи перевірити обмеження архітектури проекту та як забезпечити, щоб інструменти зупиняли AI, коли він робить помилки.

CLAUDE.md є носієм усього цього.

Офіційне визначення Anthropic має лише одне речення:

Файл markdown, розташований у кореневій директорії проекту, який Claude Code автоматично читає на початку кожного сеансу.

https://code.claude.com/docs/en/memory

Звучить просто, але саме ті кілька рівнів структури, що її оточують, є справжньою силою.

CLAUDE.md — це мозок проекту.

Рішення щодо архітектури, домовленості щодо названня, вимоги до тестування, ті самі помилки, які ми постійно повторювали — все це зібрано тут. Це «посібник для працівників», який бачить ШІ першим ділом при кожному запуску.

.claude/skills/ — це повторно використовувані робочі процеси.

Борис Черні, створець Claude Code, неодноразово підкреслював у спільноті: «Якщо ви робите щось щодня більше одного разу, перетворіть це на навичку або команду».

Навичка — це виконувана методика. Ревізія коду, генерація повідомлень комітів, написання оголошень про випуск — це не повинно бути щоденним ручним введенням підказок, а має бути просто викликом навички для отримання результату.

.claude/hooks/ — це автоматичний бар’єр.

Це найважливіша частина. Вона не залежить від того, щоб AI самостійно вирішував, а замість цього визначений код блокує його ще до того, як AI зробить помилку. Саме тому можна дозволити AI працювати «без нагляду» — межі помилок заблоковані за допомогою хуків.

docs/decisions/ — це запис архітектурних рішень.

Нехай AI не лише знає, що таке код, а й розуміє, чому він такий.

Це найчастіше не враховується, але є найбільшим важелем для співпраці з ІІ.

tools/ та src/ — це рівень виконання.

Справжньою відмінністю цієї архітектури є не те, що якийсь розробник створив гарну структуру каталогів, а те, що все більше незалежних команд збігаються до одного напрямку: поміщати моделі в набір, що складається з контексту, інструментів, прав доступу, оцінок та циклів зворотного зв’язку.

У GitHub вже можна побачити багато подібних проектів:

rohitg00Awesome-Claude-Code-Toolkit, diet103Claude-Code-Infrastructure-Showcase, affaan-mEverything-Claude-Code — усі вони створюють інженерне середовище для Claude Code, базуючись на компонентах, таких як агенти, навички, хуки, правила та MCP-конфігурації.

Це означає, що справжній зрілий AI-програмний робочий процес — це не просто використання більш потужної моделі чи довшого запиту, а вбудовування моделі в інженерну систему, яка є повторно використовуваною, обмежуваною, відновлюваною та аудитованою.

Щодо конкретної структури каталогів, реалізації різних компаній не є повністю однаковими.

Експерименти лабораторії OpenAI

11 лютого 2026 року у офіційному блозі OpenAI було опубліковано статтю: «Harness engineering: leveraging Codex in an agent-first world».

https://openai.com/index/harness-engineering/

Anthropic переробила архітектурний підхід Claude Code навколо цієї концепції; сайт Мартіна Фаулерa звузив це до формули: «Agent=Model+Harness.»

Слово "harness" походить від коннозаводства. Воно означає повний комплект упряжі для кінської пари: поводи, міць, сідло, головний убір.

Кінь може бігти швидко й потужно, але сам не знає, куди йти: весь упряг визначає його напрямок.

Порівняйте з AI-програмуванням: модель сама по собі дуже потужна, але вона не знає, куди йти в вашому кодовому репозиторії. Harness — це ваше кермо, гальма та навігація, які ви створили для неї.

Експеримент від команди OpenAI Frontier з «1 мільйоном рядків без участі людини» суттєво полягає у досягненні максимального рівня Harness.

Їхні ключові інженерні практики включають такі пункти.

Жорстке обмеження ієрархічної структури.

Залежності однонаправлено протікають від Types до Config, до Repo, до Service, до Runtime, до UI, і це примусово виконується linter на рівні CI. Агент написав код, що порушує ієрархічні залежності? Збірка відразу зазнає невдачі.

Повідомлення про помилку linter є інструкцією для виправлення — це найбільш протилежне інтуїції деталь.

Помилки lint звичайних проектів — це «violation detected», призначені для людей; помилки lint OpenAI Frontier — це «використовуйте logger.info({event: 'name', …data}) замість console.log», інструкції для агентів, які можна безпосередньо зрозуміти та виправити.

Документи є єдиним джерелом істини. Усі архітектурні діаграми, плани виконання та дизайн-специфікації знаходяться в каталозі docs/ у репозиторії. Агенту не потрібні зовнішні бази знань — все знаходиться в репозиторії.

Наскільки ефективна ця система?

Модель не змінилася, але LangChain налаштував harness, включаючи системні підказки, інструменти, проміжне ПЗ та режим міркувань, що дозволило підвищити результат Terminal Bench 2.0 з 52,8 до 66,5.

Те, що ви можете зробити сьогодні

Створити мозок для проекту з використанням ШІ

Питання повертається до звичайних розробників: якщо парадигма вже змінилася, як звичайний інженер, ви можете зробити щось вже сьогодні.

Перша річ — створіть файл CLAUDE.md у кореневій директорії вашого найважливішого проекту.

Не потрібно ідеально, не потрібно довго. Напишіть архітектурні правила вашої команди, домовленості щодо іменування, вимоги до тестів, ті помилки, які ви постійно робили — за 10 хвилин можна зробити працюючу версію.

Наступного разу, коли AI зробить помилку, спочатку не виправляйте її вручну, а запитайте себе: чого бракує в CLAUDE.md?

Друга річ — перетворіть щоденні повторювані дії на навичку.

Зверніть увагу на цитату Бориса Черні: «Якщо ви робите щось щодня більше одного разу, перетворіть це на навичку чи команду».

Ревізія коду, генерація повідомлень commit, написання приміток до випуску, виправлення типових повторюваних багів — це навички, а не щоденні ручні введення підказок.

Третє: додайте hook у місцях, де легко потрапити в ловушку.

Хук — це та частина 98,4%, що має найбільший важіль. Він не залежить від ІО, щоб стати розумнішим; він залежить від детермінованого коду для виконання перевірок. Це процес перекладу судження людських інженерів у машинно-читабельні обмеження.

Суть цієї справи не в написанні коду, а в написанні правил.

Та фраза Карпатського з січня цього року в Твіттері, яку широко розповсюджували: «Я перейшов від 80% ручного написання коду до 80% передачі цього агентам».

У наступні п’ять років крива здібностей інженерів зміщується від «скільки рядків коду я можу написати» до «наскільки строге середовище я можу створити для ІІ».

Роботу з написання коду зараз переходять до агентів.

Але створення світу, в якому агент зможе писати добрий код, — це робота людини. І вона складніша, важливіша та цікавіша, ніж будь-коли раніше.