1. fejezet
Mi az a rendszerprompt és miért számít
Amikor megnyitod a Claude-ot és elkezdesz chattelni, a modell nem üres lappal indul. Még mielőtt az első üzeneted megérkezne, az Anthropic szerverei már beraktak egy hosszú szöveget a kontextusba. Ezt hívjuk rendszerpromptnak. Tartalmazza a modell személyiségét, a viselkedési szabályokat, az elérhető eszközöket, és azt, hogy milyen helyzetben hogyan reagáljon.
A Fable 5 esetében ez a szöveg közel 4000 soros. Nem kód, nem matematika, hanem természetes nyelven írt instrukció. Az AI nem programozva van ezekre a viselkedésekre a hagyományos értelemben. El van mondva neki, mit csináljon, ahogy egy új munkatársnak mondanánk el a céges protokollokat.
Ez az apró részlet hatalmas következményekkel jár. Azt jelenti, hogy az AI viselkedésének finomhangolása nem mérnöki kizárólagosság. Megírható szavakkal, szabályokkal, példákkal és határokkal. Aki ért ahhoz, hogyan fogalmaz meg pontos instrukciókat, az valójában az AI viselkedését formálja, kód nélkül.
A vállalati AI bevezetések során ezt a mintát újra és újra látom. A legjobb belső AI eszközök mögött nem feltétlenül a legerősebb modell áll, hanem a leggondosabban megfogalmazott rendszerprompt.
2. fejezet
Mit tud a Fable 5
A kiszivárgott dokumentum szerint a Fable 5 az Anthropic új Claude 5 modelcsaládjának első, széles körben elérhető tagja. Egy új kategóriát is bevezet, a Mythos-osztályt, amely az eddigi legerősebb változat, az Opus fölé kerül képességekben.
A Fable 5 és a Mythos 5 ugyanazon az alapmodellen fut, egyetlen különbséggel. A Fable 5 az általánosan elérhető verzió, extra biztonsági rétegekkel a kényes felhasználási területekre. A Mythos 5 ezek nélkül működik, és csak előzetesen jóváhagyott szervezetek kapnak hozzáférést.
Ez a szétválasztás komoly szemléletbeli változást jelez. Nem egyetlen beállítás mindenki számára, hanem különböző hozzáférési szintek különböző kontextusokhoz. Nagyvállalati AI bevezetéseknél ezt a megkülönböztetést már most érzem a tárgyalásokon, az ügyfeleim egyre többet kérdeznek arról, hogy a modell milyen hozzáférési szinten fut, és milyen szabályokat követ alapértelmezetten.
3. fejezet
A memóriarendszer részletes elemzése
Ez a legérdekesebb és legkidolgozottabb rész az egész dokumentumban, és ami engem a legjobban foglalkoztat, mióta elolvastam.
Minden chat elején egy userMemories nevű blokk kerül a kontextusba, tele a felhasználóról korábban tanult tényekkel. Azt hogy informatikus, hogy két gyereke van, hogy kezdő szinten tanul Pythont, hogy rövid válaszokat szeret. Önmagában ez még nem újdonság. Az igazi innováció az alkalmazási logikában van.
A dokumentum részletesen leírja, hogy a modell mikor és hogyan használja ezeket a tényeket. Üdvözlésnél csak a nevet. Technikai kérdésnél a felhasználó szintjéhez igazítja a magyarázatot, de nem kommentálja miért. Ajánláskérésnél teljes personalizációt alkalmaz. Érzékeny tartalomhoz kapcsolódó tények esetén, mint betegség vagy személyes nehézség, soha nem hozza fel magától, csak akkor reagál rá, ha a felhasználó maga kezdi a témát.
Ennél is fontosabb a tiltott mondatszerkezetek listája. A rendszerprompt explicit módon megtiltja az összes olyan megfogalmazást, ami elárulja, hogy a modell adatbázisból dolgozik. Tilos mondani olyasmit, mint látom hogy te X vagy, tudom hogy korábban mondtad, az emlékezetem szerint, az adataid alapján. Helyette a modell csendben beépíti amit tud. Ha tudja, hogy a felhasználó Python fejlesztő, egyszerűen Python példákat hoz, anélkül hogy megmagyarázná miért.
Ez a megközelítés emberivé teszi az interakciót. Egy jó kollégától sem azt hallod, hogy a munkaviszony-adatbázisodban feljegyeztem, hogy Pythont használsz. Egyszerűen a munkádhoz illő kontextusban kommunikál veled.
Amikor vállalati AI rendszereket tervezünk, ez az egyik legtöbbet tanított elv az ügyfeleimmel. Az emberek nem szeretik érezni, hogy adatbázisból kiszolgált entitások. Egy jól megtervezett rendszer elrejti a mechanizmust és az eredményt mutatja.
4. fejezet
A kereső és eszközlogika
A dokumentum részletes szabályrendszert tartalmaz arról, mikor keressen a modell a weben és mikor ne. Ez a korábbi verzióknál sokkal kifinomultabb, és nagyon sokat elmond arról, hogyan érdemes gondolkodni az eszközhasználatról általában.
Az alapelv az, hogy a keresés drága művelet, időbe telik, és sok kérdésre a modell önmagában is jól tud válaszolni. Stabil, lassan változó tényeknél nincs szükség keresésre. Ha viszont a kérdés gyorsan változó dolgot érint, például ki az adott ország miniszterelnöke, milyen az aktuális árfolyam, mi jelent meg nemrég az AI területén, akkor automatikusan keresést végez, kérdezés nélkül.
Különösen okos megoldás a jelenlegi dátum kezelése. A dokumentum konkrétan figyelmeztet arra, hogy ha valaki a legújabb iPhone-t keresi, akkor nem szabad az évszámot berögzíteni a keresőkifejezésbe, mert az elavult találatokat ad. Ehelyett csak annyit keres, hogy legújabb iPhone, és a keresőmotor saját tudása alapján adja vissza a friss eredményt. Ez aprónak tűnik, de pontosan ilyen szintű részletességre van szükség egy jól működő rendszerben.
A dokumentum mintegy 2000 sora az elérhető eszközök JSON formátumú definícióit tartalmazza. A legfontosabb eszközök között van a webes kereső, az oldalbetöltő, a képkereső, a múltbéli chatekben való keresés, a bash parancsfuttatás, a fájlkezelés, az időjárás-lekérdező, a sporteredmények lekérője, és az Anthropic API hívás a Claude által létrehozott interaktív alkalmazásokból.
Ez az utolsó különösen figyelemre méltó. A rendszerprompt tartalmazza azt a lehetőséget, hogy a Claude által létrehozott alkalmazások közvetlenül hívhatják az Anthropic API-t, API kulcs nélkül, a háttérben hitelesítve. Ez azt jelenti, hogy egy felhasználónak Claude segítségével készített webalkalmazás tud önállóan AI képességeket integrálni. Az Anthropic ezt Claude in Claude rendszernek nevezi.
5. fejezet
Mi hiányzik belőle és miért árulkodó a hiány
A dokumentum meglepő módon nem tartalmaz semmit az agentikus viselkedésről. Nincs szó arról, hogyan kezelje a modell a hosszú, több lépéses feladatokat. Nincs loop vezérlés, nincs szabály arról, mikor álljon meg és kérjen visszaigazolást, nincs szó arról, hogyan koordináljon más AI ügynökökkel.
Ez azért fontos, mert a Fable 5 rendszerpromptja valójában egy chat interfész konfigurációja, nem egy agentic rendszeré. A Claude Code és más agentikus termékek saját rétegben kezelik ezeket a kérdéseket, nem ebben a fájlban.
Aki tehát azt reméli, hogy ebből a kiszivárgott dokumentumból megérti, hogyan gondolkodik az Anthropic az AI ügynökökről és a hosszú futású feladatokról, az hiányos képet kap. Ez a fájl a jéghegy csúcsa.
Vállalati AI projektekben pontosan ezt a félreértést látom a leggyakrabban. A cégek a chat felületet látják és abból következtetnek az egész rendszer logikájára. Az agentikus réteg, ahol a valódi szervezeti értékteremtés zajlik, teljesen más tervezési elveket követ, más biztonsági kérdéseket vet fel, és más mérési szempontokat igényel.
6. fejezet
Négy tanulság fejlesztőknek és felhasználóknak
Az alkalmazott kontextus értéke felülmúlja a nyers tárolást
A memória önmagában értéktelen. Az érték abban van, hogyan és mikor aktiválódik. Egy fejlesztő, aki AI asszisztenst épít, sokkal jobban jár, ha nem egyszerűen belerakja a felhasználói adatokat a kontextusba, hanem szabályokat ír arra, hogy azok mikor relevánsak. Ugyanez érvényes a vállalati AI rendszerekre. A tudásbázis értékét nem az adatok mennyisége adja, hanem az, hogy a rendszer milyen helyzetben és hogyan hívja elő őket.
A láthatatlan mechanizmus jobb felhasználói élményt ad
A tiltott frázisok listája nem technikai kényszer, hanem pszichológiai döntés. Az emberek nem szeretik érezni, hogy adatbázisból kiszolgált entitások. Ez a belső AI rendszerek tervezésénél is alapelv kellene, hogy legyen. Ha a kollégák azt érzik, hogy a rendszer figyeli és kategorizálja őket, visszautasítják. Ha úgy érzik, hogy a rendszer egyszerűen érti a munkájukat, elfogadják.
A szelektív eszközhasználat jobb, mint az automatikus
Az automatikus web keresés minden kérdésnél lelassítja és drágítja a rendszert. A szabály alapú, szelektív keresés jobb felhasználói élményt ad és kevesebbet költ. Ezt az elvet az ügyfeleimmel épített rendszerekben is alkalmazzuk. Nem minden lekérdezés igényel külső adatforrást. A jó tervezés abban áll, hogy pontosan meghatározzuk, mikor igen és mikor nem.
A kiszivárgott dokumentumban jól láthatók a biztonsági kockázatok
A memóriarendszer, az automatikus URL betöltés, az alkalmazásokból indított API hívások és a múltbéli chatekben való keresés mind potenciális támadási felületek. Egy professzionálisan megtervezett AI rendszernek mindegyikhez saját védelmi réteget kell hozzáadni, mert a modell maga erre nem készült fel elég részletesen. Ez különösen fontos azoknak a cégeknek, akik nem csak egyszerű chat felületet üzemeltetnek, hanem AI-t integrálnak belső folyamataikba.
A kiszivárgott Fable 5 rendszerprompt nem varázslat és nem titkos tudás. Egy gondosan megírt, nagyrészt természetes nyelven fogalmazott konfigurációs dokumentum, ami egy csapat mérnök és kutató hónapnyi munkáját tükrözi.
Ami igazán értékes benne, az nem a tartalom maga, hanem az a szemlélet amit képvisel. Az AI viselkedésének finomhangolása megírható szavakkal, szabályokkal és határokkal. Ez egyszerre teszi a területet hozzáférhetőbbé és összetettebbé, mint ahogy legtöbben gondolják.
Következő lépés
Ha ez a gondolkodásmód megfogott
Az AI rendszerek tervezése pontosan erről szól. Nem a modell kiválasztásáról, hanem arról, hogy milyen szabályok, kontextus és logika köré épül a rendszer. Az AI Transformation Day workshopon pontosan ezt dolgozzuk ki együtt, a saját szervezetetek folyamataira szabva.
Kapcsolat és időpont-egyeztetés. [email protected]
Workshop
AI Transformation Day
Egésznapos, vezetőknek szóló program. Feltérképezzük, hol tart a szervezet, mi az első reális lépés, és milyen belső feltételek szükségesek a sikerhez. A nap végén konkrét, prioritizált cselekvési lista.
Érdekel a program →