Scrivere prompt per Claude Fable 5.2

Questa guida tratta i pattern di prompt specifici per Claude Fable 5.2. Per le capacità del modello e le modifiche all’API, consulta Novità di Claude Fable 5.2. Per le tecniche che si applicano a tutti gli attuali modelli Claude, consulta Best practice per i prompt.

Claude Fable 5.2 si comporta in modo diverso dai modelli precedenti sotto alcuni aspetti. Inizia dalla sezione che corrisponde a ciò che osservi:

• Non sai quale livello di effort usare, oppure le richieste semplici richiedono troppo tempo: Calibra l’effort
• Un turno termina prima che il lavoro sia finito: Completa l’intero compito
• Approvi i passaggi mentre l’agente lavora, oppure il tuo prompt di sistema contiene regole di approvazione: Approvazioni
• Un agente di programmazione duplica il codice esistente invece di unificarlo, oppure segnala problemi vicini senza correggerli: Indica a chi appartiene il codice
• I turni agentici lunghi sembrano silenziosi: Tieni informati gli utenti durante i turni lunghi
• Le sessioni dell’agente avviano più subagent di quanti ne servano al compito: Definisci le aspettative per i subagent
• Gli agenti chiedono approvazioni di cui non hanno bisogno, oppure trattengono lavoro di routine: Evita che la cautela si accumuli
• Riporti un prompt di sistema, delle skill o un harness scritti per Claude Fable 5.1 o Claude Opus 5.5: Rivedi le istruzioni scritte per modelli precedenti
• I tuoi utenti leggono report finali o passaggi di consegne dopo compiti lunghi: Rendi i report facili da seguire
• Le richieste restituiscono stop_reason: "refusal": Rifiuti delle misure di salvaguardia

Calibra l’effort

Inizia con high, il valore predefinito sulla Claude API. Se il tuo caso d’uso lo richiede, alza o abbassa l’effort e verifica ogni modifica con le tue valutazioni. Il livello di effort determina quanto ragiona Claude Fable 5.2, quanto dura un turno e quanti token utilizza. Regola l’effort insieme al tuo prompt, perché il livello cambia anche il modo in cui il modello ragiona e quante chiamate agli strumenti effettua.

In generale, i livelli di effort seguono lo stesso ordine in tutti i modelli Claude, ma la quantità di ragionamento dietro ciascun livello può variare da modello a modello. Quindi ripeti la tua analisi dei livelli di effort invece di riportare un’impostazione che avevi regolato su Claude Fable 5.1 o Claude Opus 5.5.

Scegli un livello in base al tipo di lavoro:

• low è adatto a scambi rapidi, compiti ben specificati e carichi di lavoro ad alto volume, come subagent veloci e intelligenti. Nei test di Anthropic, i punteggi del modello a low erano vicini a quelli di Claude Fable 5.1 a livelli di effort più alti.
• medium è adatto alla programmazione interattiva, alla chat e al lavoro di conoscenza quotidiano.
• high è adatto alla programmazione difficile, alla ricerca, al lavoro agentico e alle esecuzioni lunghe senza supervisione. I turni richiedono notevolmente più tempo per concludersi rispetto a medium.
• xhigh è per il tuo lavoro di programmazione e agentico più difficile e di lunga durata, dove hai misurato un miglioramento. Nelle valutazioni interne di programmazione di Anthropic, ha aumentato leggermente i punteggi e ha utilizzato molti più token.
• max serve a misurare il limite massimo del modello, o per il raro compito in cui tempo e token non contano. È più adatto a problemi aperti, come la scoperta scientifica e la matematica. I turni sono lenti e utilizzano molti più token rispetto a xhigh.

La maggior parte del guadagno in capacità è già presente a high. Il passaggio da medium a high ha aumentato i punteggi nella maggior parte delle valutazioni di programmazione e di lavoro di conoscenza monitorate da Anthropic. Questo passaggio utilizza anche più token e più tempo, quindi scendi a medium ovunque le tue valutazioni mostrino che la qualità si mantiene. Al di sopra di high, i guadagni sono disomogenei e dipendono dal compito.

Quando scegli un livello, tieni presenti tre comportamenti:

• Il modello è più propenso a fermarsi in anticipo ai livelli di effort più bassi. Per il lavoro agentico a low o medium, aggiungi il testo in Completa l’intero compito.
• A high e oltre, il modello ragiona prima di quasi ogni risposta, inclusa la risposta a un saluto. Se le richieste semplici richiedono troppo tempo o costano troppo, usa un livello di effort più basso per quei turni. Nei test di Anthropic, un’istruzione a rispondere direttamente senza riflettere non ha impedito al modello di ragionare a medium e oltre.
• L’effort modifica a malapena la lunghezza delle risposte del modello. Per cambiare la lunghezza e il tono di una risposta, usa il tuo prompt.

Puoi anche combinare i livelli in un unico flusso di lavoro. Ad esempio, potresti pianificare e iterare con il modello a medium, poi alzare l’effort per la parte lunga e non supervisionata. Per cambiare livello all’interno di una conversazione mantenendo la cache dei prompt, usa una modifica dell’effort per singolo messaggio (beta, header mid-conversation-output-config-2026-07-01); quella sezione elenca le piattaforme in cui è disponibile. Una modifica resta valida finché un’altra non la sostituisce. Dove l’effort per singolo messaggio non è disponibile, imposta un nuovo valore effort di primo livello nella richiesta successiva, il che fa ripartire la cache da capo.

Completa l’intero compito

Nei compiti lunghi e in più passaggi, Claude Fable 5.2 a volte termina un turno prima che il lavoro sia finito. Il turno si chiude con un elenco di ciò che resta da fare, un’offerta di continuare, oppure un arresto davanti a un ostacolo ordinario come un timeout. Questo accade più spesso con effort low e medium.

Se osservi questi arresti nel tuo agente, aggiungi un testo come questo al tuo prompt di sistema:

# Finishing work
Please avoid stopping while you still owe work the user asked for. Be persistent and do not stop unless needed.

While status notes are welcome, as is clarifying with the user on open decisions, carry on with work that does not depend on the user's answer without unnecessary stops.

If you notice yourself inviting the user to redirect you or offering to wait, instead proceed on the next part of the task. You may meet ordinary obstacles like errors, timeouts, locked files, empty results or failing tools. Diagnose them first, and when they are not real blockers, work through them with the access you have (wait and retry, fix the request, use another tool or source) rather than stopping unnecessarily.

If someone clearly decided something is a hard blocker, such as a file marked not to be touched, access that was intentionally withheld, or a safety guardrail, leave it alone, say plainly what you found, and look for another safe way to finish the task. Stopping before the task is complete is very rarely merited, as in when the task can't move forward without user input, or where the blocker is deliberate and should not be worked past. This does not override the need for confirmation on risky or destructive actions.

Questo testo distingue due tipi di ostacolo. Indica al modello di diagnosticare e superare gli ostacoli ordinari, come errori, timeout e strumenti che non funzionano. Indica al modello di non toccare i blocchi intenzionali, come un file contrassegnato per non essere modificato, e di segnalarli. Considera il testo come un punto di partenza e mantieni questa distinzione quando lo adatti alla tua applicazione.

Anthropic ha riprodotto sessioni registrate di un prodotto di coding agentico con effort medium. Con una versione di questo testo, il numero di sessioni terminate con lavoro ancora fattibile rimasto è sceso a circa la metà. Il testo ha eliminato la maggior parte delle conclusioni che chiedono il permesso o si offrono di continuare, ma non le conclusioni che elencano ciò che resta e poi si fermano. I token di output sono aumentati di circa il 30 percento.

Poiché con questo testo il modello chiede meno spesso, mantieni un tuo passaggio di conferma per le azioni rischiose o irreversibili.

Approvazioni

Quando dici al modello di proseguire, indica chiaramente cosa vuoi che faccia invece di inviare un semplice “continua”. Ad esempio, rispondi “Sì, esegui la migrazione sul database di staging” dove avresti inviato “vai” o un pollice in su.

Se il tuo prompt di sistema contiene regole di approvazione, specifica esattamente le azioni a cui si applicano, perché il modello le applica alla lettera. Nei test di Anthropic su compiti simulati senza nessuno presente per approvare, una regola elencava “inviare messaggi a persone esterne a questa conversazione” tra i passaggi che richiedono approvazione. Con quella regola, il modello ha trattenuto circa la metà delle sue richieste di routine a colleghi e ad altri team.

Indica a chi appartiene il codice

Claude Fable 5.2 reagisce da vicino a ciò che il prompt afferma su a chi appartiene il codice su cui lavora. Nei test di Anthropic su piccoli compiti di programmazione, quando un prompt non diceva nulla sulla proprietà o presentava la codebase come appartenente a qualcun altro, il modello tendeva ad aggiungere alla struttura esistente, anche quando ciò duplicava codice esistente. Tendeva inoltre a segnalare i problemi vicini invece di correggerli. Quando il prompt afferma che la codebase è del modello, il modello spesso unifica il codice duplicato e apporta correzioni correlate senza che gli venga chiesto.

Se vuoi che il modello migliori la struttura mentre lavora, afferma che il codice è suo:

This codebase is yours: what it's for and how it's built are your call, and you'll keep building on it.

Nei test di Anthropic su piccoli compiti di programmazione, il modello ha unificato il codice duplicato in circa la metà dei tentativi con questa frase, e in meno di un decimo dei tentativi senza di essa. La percentuale variava a seconda del compito. Il risultato si è mantenuto quando la frase si trovava all’interno di un lungo prompt di sistema. La funzionalità richiesta ha funzionato in quasi tutti i tentativi in entrambi i casi.

Negli stessi test, il modello ha inoltre utilizzato circa 1,5 volte i token di output con la frase e ha apportato diverse modifiche che nessuno aveva richiesto, molte delle quali nuovi test e documentazione. A parte le correzioni di bug, ha modificato il comportamento di una funzionalità esistente in un tentativo su sei-dieci, e più spesso con effort più alto. Il suo riepilogo finale menzionava le modifiche più grandi ma spesso ometteva quelle piccole, quindi esamina il diff e non solo il riepilogo.

Ometti la frase sulla proprietà quando il codice appartiene all’utente e questi vuole che venga modificato il meno possibile. Una regola altrove nel prompt che limita l’ambito non annulla la frase sulla proprietà. Nei test di Anthropic, con “No drive-by refactors, renames or cleanups” in precedenza nello stesso prompt, il modello ha comunque unificato il codice duplicato in circa un terzo dei tentativi.

Tieni informati gli utenti durante i turni lunghi

Claude Fable 5.2 a volte scrive poco testo rivolto all’utente durante lunghe sequenze di chiamate agli strumenti. Il modello potrebbe anche effettuare la sua prima chiamata a uno strumento senza dire cosa sta per fare.

Per prima cosa, verifica che il tuo client riceva gli aggiornamenti del modello. Su Claude Fable 5.2, gli aggiornamenti che il modello scrive tra una chiamata agli strumenti e l’altra vengono restituiti come blocchi thinking di aggiornamento sui progressi. Questi aggiornamenti indicano ciò che il modello ha trovato e cosa farà dopo. Il loro testo è vuoto con il valore predefinito di thinking.display, cioè "omitted". Quindi un client che visualizza solo i blocchi text può sembrare silenzioso durante un lungo turno agentico. Imposta display: "updates" (beta, header thinking-display-updates-2026-08-18) per ricevere un breve riepilogo di ogni aggiornamento, oppure "summarized" per ricevere gli aggiornamenti insieme a un riepilogo del ragionamento. Poi visualizza i blocchi thinking non vuoti tra le chiamate agli strumenti.

Gli aggiornamenti frequenti contano soprattutto quando un utente osserva il lavoro in tempo reale, come nella programmazione interattiva. Se i tuoi utenti osservano il lavoro e ricevono comunque troppo pochi aggiornamenti, usa una o più di queste opzioni.

Se puoi modificare il tuo harness, un’opzione efficace è fargli contare i passaggi consecutivi con chiamate agli strumenti che non danno all’utente nulla da leggere: nessun blocco text e nessun blocco thinking con testo. Conta con display impostato su "updates" o "summarized", perché con "omitted" ogni blocco thinking è vuoto. Questa opzione funziona dove la tua piattaforma supporta i messaggi di sistema a metà conversazione. Dopo diversi passaggi di questo tipo di fila, fai aggiungere all’harness questo promemoria dopo i risultati degli strumenti più recenti come messaggio di sistema limitato al turno (clear_at: "next_user_message", beta, header mid-conversation-system-clear-at-2026-08-21):

The user hasn't heard from you in a while: say in a few words what you're doing, then continue.

Nei test di Anthropic su compiti di programmazione a più turni, il promemoria ha circa dimezzato il tratto silenzioso più lungo, senza un aumento evidente di token o di tempo.

Lascia ogni promemoria in messages nelle richieste successive. Rimuoverne uno o riformularlo modifica un turno precedente, il che invalida i blocchi di ragionamento successivi. Consulta Invia promemoria per turno come messaggi di sistema limitati al turno.

Per ottenere anche una riga di apertura prima della prima chiamata a uno strumento, brevi aggiornamenti e un riepilogo finale, aggiungi questo testo al tuo prompt di sistema:

Before you start, say in a line what you're about to do; brief updates while you work help the user follow along. Close with a short recap that stands on its own (what you found, what you did, and what's next), so a reader who only sees the last message has the full picture.

Nei test di Anthropic su compiti di programmazione, con questo testo il modello ha parlato prima della sua prima chiamata a uno strumento ogni volta. Il testo ha inoltre aumentato i token di output per compito di circa il 20 percento. Usa questo testo dove un essere umano è direttamente coinvolto nel ciclo. Per ottenere il maggior numero di aggiornamenti, abbinalo al promemoria che il tuo harness aggiunge.

Se non puoi modificare l’harness, oppure la tua piattaforma non dispone di messaggi di sistema a metà conversazione, aggiungi questa frase al tuo prompt di sistema:

Every few tool calls, give the user a one-line update on where things stand.

Nei test di Anthropic su compiti di automazione dei flussi di lavoro, questa frase ha eliminato la maggior parte dei lunghi tratti silenziosi.

Anche con il promemoria e il testo di apertura e riepilogo insieme, aspettati sequenze di diverse chiamate agli strumenti tra un aggiornamento e l’altro. Claude Fable 5.2 funziona bene nei compiti asincroni di lunga durata, in cui l’utente torna per il risultato invece di osservare ogni passaggio. In quei casi, gli intervalli tra gli aggiornamenti contano meno.

Definisci le aspettative per i subagent

Quanto lavoro Claude Fable 5.2 delega ai subagent dipende dal tuo harness e dai tuoi compiti. Nei test di Anthropic su compiti brevi con uno strumento minimale per avviare subagent, ne ha avviato uno raramente. In un prodotto di programmazione agentica i cui prompt invitano alla delega, delega volentieri.

Se il tuo prompt di sistema, le tue skill o i tuoi file degli agenti dicono al modello di delegare, rivedi prima quelle righe. Modifica la descrizione dello strumento che avvia i subagent solo se Claude Fable 5.2 avvia ancora più subagent di quanti ne servano ai tuoi compiti. Se lo strumento ha una descrizione semplice e nient’altro nei tuoi prompt chiede di delegare, probabilmente non hai bisogno di una nuova descrizione.

Nella nuova descrizione, indica cosa aggiunge un subagent al costo di una sessione, spiega quando delegare conviene e quando no, e indica al modello come istruire un subagent che avvia. La descrizione testata da Anthropic fa queste tre cose e mette il costo al primo posto. Una descrizione di questo tipo è più utile quando il tuo harness invita già alla delega e i subagent rappresentano una quota consistente del tuo utilizzo di token.

Nei test di Anthropic su compiti brevi, il modello ha delegato circa un terzo di volte in meno con la descrizione testata rispetto a una che elencava principalmente motivi per delegare. Il successo dei compiti è rimasto invariato.

Nella descrizione testata, le frasi iniziali sul costo frenano la delega. Parla meno del costo se il modello delega troppo poco. Se delega ancora troppo, spiega meglio quanto costa un subagent nel tuo harness e testa la modifica.

Anthropic ha inoltre osservato che Claude Fable 5.2 usava subagent per rivedere il proprio lavoro in un prodotto di programmazione agentica a livelli di effort più alti, come xhigh e max. Claude Fable 5.1 non lo faceva negli stessi compiti. I primi tester hanno ottenuto buoni risultati con Claude Fable 5.2 come pianificatore e orchestratore per altri modelli. La delega può velocizzare il lavoro che si presta bene all’esecuzione in parallelo. Tuttavia, i subagent possono rappresentare una parte consistente del costo di una sessione, quindi verifica su quale modello il tuo harness esegue i subagent per impostazione predefinita.

Evita che la cautela si accumuli

Le istruzioni prudenti si accumulano ovunque il contesto venga riportato: memoria, note, file di istruzioni e messaggi tra agenti. Claude Fable 5.2 segue queste istruzioni da vicino, quindi potrebbe chiedere approvazioni di cui non ha bisogno o trattenere lavoro di routine. Alcuni dei primi tester hanno osservato questo comportamento, soprattutto dove più agenti lavorano insieme. Anche i modelli precedenti seguono istruzioni di questo tipo, ma in una delle configurazioni descritte qui solo Claude Fable 5.2 si è trattenuto.

Se osservi questo comportamento, ripulisci ciò che i tuoi agenti si portano dietro:

• Rimuovi le note che non ti servono più. Nei test di Anthropic su compiti simulati, una di una dozzina di note di sessioni precedenti diceva di non riprovare mai. Con quelle note nel contesto, e senza nulla nel prompt che consentisse di riprovare, il modello ha riprovato dopo che uno strumento era occupato in circa quattro tentativi su dieci, rispetto a quasi tutti senza quelle note.
• Specifica i passaggi che non richiedono approvazione. Nei test di Anthropic su compiti simulati, il contesto conteneva regole “mai”, note e le condizioni di un revisore. Una riga alla fine delle regole che elencava i nuovi tentativi tra i passaggi che non richiedono approvazione ha portato i nuovi tentativi da quasi nessuno a circa la metà dei tentativi. Nella stessa configurazione, un’istruzione generica ad agire più liberamente non ha cambiato nulla. Includi i nuovi tentativi solo per le chiamate che è sicuro ripetere.
• Controlla cosa allegano gli agenti revisori. Nei test di Anthropic su compiti simulati, una configurazione aveva nel prompt una riga che elencava i nuovi tentativi tra i passaggi che non richiedono approvazione, e nel contesto l’indicazione di un revisore “fermati al primo errore”. Claude Fable 5.2 non ha riprovato in circa un terzo dei tentativi. Claude Fable 5.1 e Claude Opus 5.5 hanno riprovato.
• Scrivi l’eccezione all’interno della regola. Nei test di Anthropic su compiti simulati, la persona responsabile aveva approvato un passaggio. Con una regola “mai”, il modello ha eseguito quel passaggio in circa un tentativo su dieci. Una riga separata che affermava che un passaggio approvato ha il via libera non ha cambiato molto quella percentuale. Quando la regola stessa diceva di ottenere prima il via libera, il modello ha eseguito il passaggio in circa nove tentativi su dieci. Consulta Approvazioni.

Mantieni inoltre un tuo passaggio di conferma per le azioni rischiose o irreversibili.

Rivedi le istruzioni scritte per modelli precedenti

Quando esegui la migrazione a Claude Fable 5.2, rivedi i tuoi prompt. Nei test di Anthropic, alcune istruzioni scritte per modelli precedenti hanno aumentato i costi, causato effetti collaterali o non avevano più alcun effetto. Riconsidera queste istruzioni:

• Istruzioni permanenti a delegare: le righe che spingono il lavoro verso i subagent possono trovarsi nei prompt di sistema, nelle skill e nei file degli agenti. Leggi quei file prima della migrazione. Se, nei tuoi test, il modello avvia più subagent di quanti ne servano ai tuoi compiti, rimuovi le righe che non ti servono più. Consulta Definisci le aspettative per i subagent.
• Un budget di token che il tuo harness scrive nel prompt: alcuni harness indicano al modello nel prompt quanti token può usare il compito e quanti ne restano. La dimensione di quel budget cambia quanto spende Claude Fable 5.2. Nei test di Anthropic su compiti di programmazione con effort high e xhigh, rimuovere un budget ampio ha ridotto i costi, con prestazioni equivalenti. Testa i tuoi compiti senza il budget. Questo risultato riguarda il testo nel prompt, non i budget delle attività dell’API, una funzionalità beta che i test non hanno coperto.
• Codice dell’harness che modifica i turni precedenti: Claude Fable 5.2 usa il ragionamento preservato. Se il tuo harness cambia il prompt di sistema, gli strumenti o un messaggio precedente tra una richiesta e l’altra, i blocchi di ragionamento che seguono il punto modificato nella cronologia diventano non validi. Per impostazione predefinita, la Messages API quindi rifiuta la richiesta, mentre la Message Batches API scarta quei blocchi. Per accorciare la cronologia senza questo errore, usa la modifica del contesto, oppure una compattazione che non mantenga turni precedenti dopo il riepilogo. Perché anche la Messages API scarti i blocchi, imposta thinking.block_binding.prefix_mismatch_behavior su "drop_block" (beta, header thinking-binding-controls-2026-08-01). Nei test di Anthropic, quando il ragionamento precedente veniva scartato a ogni turno, il modello ragionava di nuovo e usava più token di output. Questo è il caso peggiore, e l’aumento dipende da quanto spesso il tuo harness modifica i turni precedenti. A parte la compattazione e la modifica del contesto, mantieni la cronologia in sola aggiunta. In questo modo il tasso di hit della cache resta alto e nessun ragionamento viene scartato. Misura i token di output sui tuoi compiti prima di affidarti a "drop_block". Consulta Cosa fa l’API con un blocco non valido e Apporta modifiche senza modificare il prefisso.
• Le righe “considera quella risposta come conclusa”: Scrivere prompt per Claude Opus 5.5 propone due frasi per i prompt di sistema delle chat. Indicano al modello di considerare una risposta precedente come conclusa e di concentrare il suo ragionamento sul nuovo messaggio. Nei test di Anthropic con effort high, queste frasi hanno ridotto il ragionamento di Claude Fable 5.2 sulle domande successive, ma il modello è diventato anche molto meno propenso a segnalare errori nelle sue risposte precedenti. Ometti queste righe dove vuoi che il modello continui a riesaminare le sue risposte precedenti. Altrove, verifica che il modello segnali ancora i propri errori prima di adottare le righe.
• Istruzioni a ragionare di meno: Claude Fable 5.1 di solito segue una riga come “rispondi direttamente senza riflettere”. Nei test di Anthropic, una riga di questo tipo non ha impedito a Claude Fable 5.2 di ragionare a medium e oltre. Rimuovi queste righe e abbassa il livello di effort, come descritto in Calibra l’effort.
• Regole di stile per la scrittura: Claude Fable 5.2 segue da vicino le regole di stile, quindi un limite rigido come “un’istruzione per frase, in 20 parole o meno” può rendere la sua prosa frammentata. Rimuovi le regole che non ti servono più prima di aggiungere il testo in Rendi i report facili da seguire.
• Regole, note e memorie che si sono accumulate: i file di memoria, le note e i file di istruzioni raccolgono avvertenze nel tempo, e il modello potrebbe averne scritte alcune da sé. Prima della migrazione, elimina le avvertenze la cui motivazione non è più valida e riscrivi le regole assolute in modo che ne indichino l’ambito e la motivazione. Se un sistema è già bloccato, valuta di riavviarlo con la memoria e le note ridotte, e conserva una copia degli originali. Consulta Evita che la cautela si accumuli.

Rendi i report facili da seguire

Dopo un lungo lavoro agentico, le persone che leggono il report finale di Claude Fable 5.2 di solito non hanno visto le chiamate agli strumenti né i file alla base di esso. Il report deve essere comprensibile di per sé.

Se chiedi a Claude Fable 5.2 di scrivere report finali o passaggi di consegne, aggiungi questo testo al tuo prompt di sistema e adattalo ai tuoi lettori e al tuo prodotto:

# Communicating clearly
Write for an intelligent but low-context reader. The person reading has not seen your tool calls, your reasoning or the files you opened, and may be switching in from other work. Messages should generally be self-contained: the reader should understand what you mean without having to dig for other context. Put the key points in the first few sentences. Practice progressive disclosure in your sentence order, and do not use undefined references and ideas in line 1 that won't make sense until the reader reaches line 12.

Use plain words, and write in clear, understandable full sentences. Do not use a term or abbreviation that you made up during the work. Say what the thing is in a way any reader would understand. Write mostly in the style of ASD-STE100 Simplified Technical English: short sentences, one idea per sentence, active voice, and consistently using the same word for the same thing. Use a paragraph of flowing prose where ideas connect, and keep bullets for lists of separate items. Leave out unnecessary details unless the reader asks and practice concision, but do ensure that your messages have the key context. Aim to make your user-facing text as human-readable and clear as possible.

Nei test di Anthropic su compiti agentici, questo testo ha reso i report finali meno densi, con meno punti e virgola. Nei compiti di automazione dei flussi di lavoro, ha anche accorciato le frasi. Puoi anche aggiungere istruzioni sulla lunghezza o chiedere al modello di includere dettagli specifici.

Rifiuti delle misure di salvaguardia

Claude Fable 5.2 esegue classificatori di sicurezza che possono rifiutare una richiesta. Una richiesta rifiutata restituisce stop_reason: "refusal", e stop_details.category indica la categoria del rifiuto:

• cyber: la richiesta potrebbe favorire danni informatici, come lo sviluppo di malware o exploit.
• bio: la richiesta potrebbe favorire danni biologici, come metodi di laboratorio pericolosi.
• frontier_llm: la richiesta potrebbe aiutare nello sviluppo di modelli di IA concorrenti.
• reasoning_extraction: la richiesta chiede al modello di riprodurre il suo ragionamento interno nel testo della risposta.
• general_harms: la richiesta rientra in un’altra area delle norme di utilizzo.

Anche il lavoro legittimo di cybersicurezza e di scienze della vita può attivare i classificatori cyber e bio. Se bloccano il lavoro legittimo della tua organizzazione, consulta il Cyber Verification Program e il Life Sciences Verification Program di Anthropic. Claude Mythos 5.2 offre le stesse capacità di Claude Fable 5.2 solo alle organizzazioni verificate tramite questi programmi.

Se i tuoi prompt, le tue skill o le descrizioni dei tuoi strumenti chiedono al modello di scrivere il suo ragionamento nella risposta, rimuovi quelle istruzioni. Per vedere come ha ragionato il modello, imposta display: "summarized" e leggi i blocchi di ragionamento. Consulta Mantieni il ragionamento nei blocchi di ragionamento.

Per riprovare una richiesta rifiutata su un altro modello, consulta Rifiuti, fallback e fatturazione.

Da dove iniziare

Quando esegui la migrazione, segui questi passaggi nell’ordine:

1. Imposta esplicitamente effort su high, poi esegui le tue valutazioni anche a medium e xhigh.
2. Leggi i prompt di sistema, le skill, i file degli agenti, i file di memoria, le note e il testo dell’harness che riporti. Rimuovi o testa le istruzioni elencate in Rivedi le istruzioni scritte per modelli precedenti.
3. Esegui i tuoi compiti agentici più lunghi. Annota dove il modello si ferma in anticipo, chiede approvazioni di cui non ha bisogno, resta in silenzio, delega più di quanto serva al compito o aggiunge al codice esistente dove volevi che venisse ristrutturato.
4. Applica le indicazioni per ogni comportamento che hai osservato, una alla volta, e misurane l’effetto e il costo in token sui tuoi compiti.