# Γιατί ο Claude κάνει το λάθος: 3 προτροπές

> Ο Claude γράφει το λάθος επειδή βιάζεται να γράψει κώδικα χωρίς να καταλάβει τι θέλετε. Εξηγώ γιατί και σας δίνω 3 έτοιμες προς χρήση προτροπές, ώστε να κάνει πρώτα ερωτήσεις.

Source: https://ailoot.ai/blog/el/why-claude-does-the-wrong-thing/
Canonical: https://ailoot.ai/blog/el/why-claude-does-the-wrong-thing/
Language: el
Publisher: Ailoot (https://ailoot.ai/)
Translation: guide-201
Revision: sha256-3096784f837bedd6c8bfc3e7e3d3b8eeef7416ddad020447764103d168d90beb


<div class="aside" data-semantic="key-takeaway" role="note" aria-label="Κύρια συμπεράσματα">

Κύριο συμπέρασμα

Ο Claude γράφει το λάθος επειδή βιάζεται να γράψει κώδικα και συμπληρώνει όσα πιστεύει ότι θέλατε. Συχνά κάνει λάθος. Το πρόβλημα σχεδόν ποτέ δεν είναι το μοντέλο — ακόμη και το ισχυρότερο θα αστοχήσει σε μια ασαφή εργασία. Το διορθώνω με μία κίνηση: βάζω τον Claude να μου πάρει πρώτα συνέντευξη, να αναδείξει τις προθέσεις μου και μόνο τότε να γράψει. Παρακάτω θα βρείτε τρεις έτοιμες προς χρήση προτροπές που μπορείτε να αντιγράψετε και να επικολλήσετε.

</div>

Για περισσότερα σχετικά με τη χρήση της υπηρεσίας, δείτε την [τεκμηρίωση του Ailoot](https://ailoot.ai/docs/).



## Γιατί κάνει ο Claude το λάθος;

<div class="aside" data-semantic="key-takeaway" role="note" aria-label="Κύρια συμπεράσματα">

Κύριο συμπέρασμα

Ο Claude λαμβάνει ένα σύντομο αίτημα, συμπληρώνει αμέσως τα κενά και βιάζεται να γράψει κώδικα με βάση τη δική του εκδοχή της εργασίας. Η δική του εκδοχή και η δική σας διαφέρουν. Έτσι καταλήγετε με ένα diff που αγγίζει 14 αρχεία, ενώ περιμένατε μια αλλαγή μίας γραμμής. Η αιτία είναι η απόσταση ανάμεσα σε όσα είπατε και σε όσα είχατε κατά νου. Το μοντέλο έχει ελάχιστη σχέση με αυτό.

</div>

Γράφετε «Προσθέστε φίλτρα στη σελίδα προϊόντων». Στο μυαλό σας αυτό σημαίνει μερικά πλαίσια επιλογής και μια ενημερωμένη λίστα. Ο Claude ακούει το ίδιο και αποφασίζει να φτιάξει μια ολοκληρωμένη μηχανή φιλτραρίσματος: δικό της state store, ξεχωριστή λογική καθυστέρησης εισόδου, συγχρονισμό URL και μια ντουζίνα βοηθητικές συναρτήσεις. Εκατοντάδες γραμμές, ενώ θα αρκούσαν μερικές παράμετροι URL.

Σε μια τέτοια περίπτωση, το συμπέρασμα είναι σαφές: ο agent δεν έκανε λάθος· απλώς έλυσε ένα πολύ μεγαλύτερο πρόβλημα από όσο χρειαζόταν. Το σφάλμα ήταν ότι το επιθυμητό αποτέλεσμα δεν περιγράφηκε αρκετά σύντομα και με ακρίβεια.

Η λέξη-κλειδί είναι «πρόθεση». Εσείς την έχετε στο μυαλό σας· ο Claude όχι. Βλέπει το κείμενο του αιτήματός σας και όλο το περιεχόμενο του πλαισίου του μέχρι εκείνο το αίτημα. Έπειτα συμπληρώνει τα κενά με εικασίες. Όσο πιο σύντομο είναι το αίτημα, τόσο περισσότερες εικασίες κάνει — και τόσο περισσότερο απομακρύνεται το αποτέλεσμα από αυτό που θέλατε.

Η Anthropic το λέει ξεκάθαρα στην τεκμηρίωση του Claude Code:

<figure>
<blockquote>
<p>Αν αφήσετε τον Claude να περάσει κατευθείαν στον κώδικα, μπορεί να λύσει λάθος πρόβλημα.</p>
</blockquote>
<figcaption>— Claude Code Docs, https://code.claude.com/docs/en/best-practices</figcaption>
</figure>

Το αντιμετώπισα αυτό στο δικό μου έργο. Ζήτησα να διορθωθεί μία οθόνη εξουσιοδότησης και πήρα ένα diff που επηρέαζε τη μισή γειτονική ενότητα. Δεν έφταιγε ο Claude: του έδωσα μία γραμμή και εκείνος συμπλήρωσε μόνος του τα υπόλοιπα. Από τότε, ξεκινώ κάθε εργασία μεγαλύτερη από μια διόρθωση τυπογραφικού λάθους με ερωτήσεις — αυτές που μου κάνει ο Claude.

## Είναι πράγματι το μοντέλο; Και γιατί αστοχούν ακόμη και τα ισχυρότερα;

<div class="aside" data-semantic="key-takeaway" role="note" aria-label="Κύρια συμπεράσματα">

Κύριο συμπέρασμα

Το μοντέλο έχει μικρότερη σημασία απ’ όσο νομίζει συνήθως ο κόσμος. Σε μια ασαφή εργασία, ακόμη και το ισχυρότερο θα αστοχήσει: λαμβάνει τις ίδιες ελλιπείς οδηγίες και συμπληρώνει τα κενά με δικές του εικασίες. Οι προγραμματιστές που κρατούν τον agent τους υπό έλεγχο πετυχαίνουν τα ίδια αποτελέσματα είτε χρησιμοποιούν κορυφαίο είτε μεσαίας κατηγορίας μοντέλο. Όλα εξαρτώνται από το πόσο καθαρά περιγράφετε τι θέλετε. Η ισχύς του μοντέλου είναι δευτερεύουσα εδώ.

</div>

Κάθε εβδομάδα εμφανίζεται ένα μοντέλο «εξυπνότερο» από το προηγούμενο και κάθε φορά μοιάζει σαν να έφτασε επιτέλους η στιγμή που η AI θα μας καταλαβαίνει από λίγες λέξεις. Δεν θα συμβεί. Ένα ισχυρότερο μοντέλο γράφει κώδικα γρηγορότερα και χειρίζεται καλύτερα σύνθετη λογική, αλλά και πάλι δεν μπορεί να διαβάσει τη σκέψη σας. Αν η εργασία διατυπωθεί άσχημα, θα πάρετε κάτι καλογραμμένο που εξακολουθεί να είναι λάθος.

Το συμπέρασμα για εσάς είναι απλό. Το να κυνηγάτε το πιο πρόσφατο μοντέλο για να κάνει καλύτερες εικασίες είναι αδιέξοδο. Είναι φθηνότερο και πιο αξιόπιστο να μάθετε να του αναθέτετε εργασίες χωρίς να χρειάζεται να μαντεύει. Αυτό ακολουθεί.

## Τι είναι το grilling και πώς διορθώνει την ασυμφωνία με την AI;

<div class="aside" data-semantic="key-takeaway" role="note" aria-label="Κύρια συμπεράσματα">

Κύριο συμπέρασμα

Grilling είναι όταν βάζετε την AI να σας πάρει συνέντευξη προτού αρχίσει να εργάζεται: σας κάνει λεπτομερείς ερωτήσεις για την εργασία μέχρι να αποκτήσετε κοινή κατανόηση. Σκοπός είναι να κλείσει το επικοινωνιακό χάσμα πριν γραφτεί η πρώτη γραμμή κώδικα.

</div>

Ακούγεται αντιφατικό. Στρεφόμαστε στην AI για να τελειώνουμε πιο γρήγορα τις δουλειές μας, και τώρα μας λένε να την επιβραδύνουμε και να την κάνουμε πρώτα να ρωτήσει. Όμως πέντε λεπτά ερωτήσεων πριν από τον προγραμματισμό μπορούν να εξοικονομήσουν μία ώρα διορθώσεων μετά.

Το πρόβλημα δεν είναι μόνο ότι εξηγήσατε άσχημα τα πράγματα στον Claude. Συχνά, δεν έχετε σκεφτεί αρκετά την ίδια την εργασία — ποιες περιπτώσεις πρέπει να καλυφθούν, πού βρίσκονται τα όρια, τι έχει τη μεγαλύτερη σημασία. Το grilling τα αναδεικνύει με ερωτήσεις. Στο τέλος της συζήτησης, έχετε όχι μόνο μια εργασία που καταλαβαίνει η AI, αλλά και τη δική σας εργασία, επιτέλους διατυπωμένη λεπτομερώς.

Έτσι λειτουργεί η μηχανική πλαισίου: η κύρια δουλειά γίνεται πριν από την προτροπή, όχι κατά τη διάρκειά της. Δεν ψάχνετε τη μαγική διατύπωση της προτροπής· εκθέτετε εκ των προτέρων στον Claude όσα χρειάζεστε, μέχρι να καταλάβει χωρίς πρόσθετες εξηγήσεις.



## Πώς κάνετε τον Claude να σας κάνει πρώτα ερωτήσεις;

<div class="aside" data-semantic="key-takeaway" role="note" aria-label="Κύρια συμπεράσματα">

Κύριο συμπέρασμα

Δώστε στον Claude μια σύντομη περιγραφή της εργασίας και ζητήστε του ρητά να σας πάρει συνέντευξη πριν ξεκινήσει: βάλτε τον να ρωτήσει για λεπτομέρειες, οριακές περιπτώσεις και περιορισμούς, και στο τέλος να συγκεντρώσει τα πάντα σε ένα αρχείο προδιαγραφών. Αυτή είναι η επίσημη σύσταση της Anthropic — η τεκμηρίωση του Claude Code περιέχει ένα έτοιμο πρότυπο προτροπής. Αντιγράψτε το, αλλάξτε την περιγραφή και επικολλήστε το στην αρχή μιας συνεδρίας.

</div>

Η Anthropic δεν επιτρέπει απλώς αυτήν την προσέγγιση· τη συνιστά. Η τεκμηρίωσή της έχει μια ενότητα με τίτλο «Αφήστε τον Claude να σας πάρει συνέντευξη», με μια έτοιμη προτροπή. Ακολουθεί μια πρακτική εκδοχή:

<div class="section" data-semantic="prompt" aria-label="Προτροπή">

Προτροπή

Προτροπή grilling — βάλτε τον Claude να σας πάρει συνέντευξη

```
Θέλω να δημιουργήσω [σύντομη περιγραφή της εργασίας].

Πάρτε μου λεπτομερή συνέντευξη πριν γράψετε κώδικα. Κάντε ερωτήσεις για την υλοποίηση, τη διεπαφή, τις οριακές περιπτώσεις, τους κινδύνους και τους συμβιβασμούς. Μην κάνετε προφανείς ερωτήσεις — εμβαθύνετε στα δύσκολα σημεία που μπορεί να μην έχω σκεφτεί.

Κάντε μία ερώτηση κάθε φορά και περιμένετε την απάντησή μου. Για κάθε ερώτηση, προτείνετε αμέσως την απάντηση που συστήνετε.

Συνεχίστε μέχρι να καλύψουμε τα πάντα. Έπειτα συντάξτε πλήρεις προδιαγραφές σε ένα αρχείο με όνομα SPEC.md.
```

</div>

Τρεις λεπτομέρειες κάνουν αυτήν την προτροπή χρήσιμη αντί για διακοσμητική. Πρώτον, «μία ερώτηση κάθε φορά». Αν η AI σας παραθέσει δέκα ερωτήσεις μονομιάς, θα κατακλυστείτε και θα απαντήσετε επιφανειακά. Δεύτερον, «προτείνετε τη δική σας απάντηση»: δεν χρειάζεται να τα σκεφτείτε όλα από την αρχή· μπορείτε να συμφωνήσετε ή να τη διορθώσετε. Τρίτον, «συντάξτε προδιαγραφές σε ένα αρχείο»: οι προθέσεις που αναδεικνύονται από εσάς γίνονται ένα έγγραφο που δεν θα χαθεί.

Η Anthropic περιγράφει το όφελος σε όρους προσπάθειας:

<figure>
<blockquote>
<p>Ο χρόνος που αφιερώνεται στη σωστή διατύπωση των προδιαγραφών έχει μεγαλύτερη αξία από τον χρόνο που αφιερώνεται στην παρακολούθηση της υλοποίησης.</p>
</blockquote>
<figcaption>— Τεκμηρίωση Claude Code, https://code.claude.com/docs/en/best-practices</figcaption>
</figure>

Μετά τη συνέντευξη, ανοίξτε μια νέα συνεδρία και δώστε της τις ολοκληρωμένες προδιαγραφές. Καθαρό πλαίσιο και ξεκάθαρα διατυπωμένη πρόθεση — και ο Claude πετυχαίνει τον στόχο με την πρώτη.

## Η τεχνική «απόδειξέ μου ότι αυτό είναι το καλύτερο σχέδιο»

<div class="aside" data-semantic="key-takeaway" role="note" aria-label="Κύρια συμπεράσματα">

Κύριο συμπέρασμα

Μην αρκείστε στο να βάλετε την AI να κάνει ερωτήσεις — βάλτε την να υπερασπιστεί και την απόφασή της. Προσθέτω στην εργασία μια απαίτηση: να αποδείξει ότι το προτεινόμενο σχέδιο είναι το καλύτερο, όχι απλώς το πρώτο που της ήρθε στο μυαλό, και ότι έχει μελετηθεί αρκετά βήματα μπροστά. Έτσι ο Claude βγαίνει από τη λειτουργία «θα κάνω κάτι παρόμοιο» και μπαίνει στη λειτουργία κριτή, όπου ελέγχει τη δική του δουλειά πριν ξοδέψετε χρόνο στην υλοποίηση.

</div>

Το grilling αναδεικνύει τις προθέσεις σας. Όμως η AI έχει και μια δεύτερη συνήθεια: να αρπάζει την πρώτη λύση που φαίνεται εύλογη. Η Anthropic αποκαλεί αυτό το χάσμα «εμπιστεύσου, αλλά επαλήθευσε»: ο Claude παράγει μια εύλογη υλοποίηση που δεν αντέχει στις οριακές περιπτώσεις. Η λύση είναι να ζητάτε αποδείξεις πριν από τον κώδικα.

<figure>
<blockquote>
<p>Αν δεν μπορείτε να ελέγξετε το αποτέλεσμα, μην το υποβάλετε.</p>
</blockquote>
<figcaption>— Anthropic, Claude Code Docs, https://code.claude.com/docs/en/best-practices</figcaption>
</figure>

Σχεδόν πάντα προσθέτω στην προτροπή μου μια ενότητα «απόδειξέ το». Ακολουθεί η ακριβής διατύπωση:

<div class="section" data-semantic="prompt" aria-label="Προτροπή">

Προτροπή

Προτροπή — βάλτε την AI να υπερασπιστεί το σχέδιό της

```
Πριν γράψετε κώδικα, αναλύστε την εργασία σαν κριτής.

Βρείτε 2-3 τρόπους να τη λύσετε. Για καθέναν, αποδείξτε μου ότι πράγματι λύνει την εργασία μου αντί να προσθέτει περιττή πολυπλοκότητα. Μη γράψετε κώδικα απλώς και μόνο για να γράψετε κώδικα.

Έπειτα επιλέξτε έναν και αποδείξτε ότι είναι η καλύτερη λύση, μελετημένη αρκετά βήματα μπροστά. Τι θα χαλάσει καθώς μεγαλώνει το έργο; Τι μας διαφεύγει αυτή τη στιγμή;

Μόνο τότε προτείνετε μια υλοποίηση.
```

</div>

Χωρίς αυτήν την ενότητα, ο Claude σας δίνει την πρώτη λύση που λειτουργεί. Με αυτήν, αποκλείει μόνος του τα αδιέξοδα, εξηγεί την επιλογή του και σας επιτρέπει να δείτε το σκεπτικό του προτού αγγιχτεί ένα αρχείο. Διαβάζετε ένα σύντομο κείμενο σε δύο λεπτά, αντί να περάσετε μία ώρα προσπαθώντας να καταλάβετε γιατί ο ολοκληρωμένος κώδικας δεν λειτουργεί όπως αναμένεται.

## Προληπτική ανασκόπηση: βάλτε την AI να βρει 10 λόγους αποτυχίας πριν ξεκινήσετε

<div class="aside" data-semantic="key-takeaway" role="note" aria-label="Κύρια συμπεράσματα">

Κύριο συμπέρασμα

Η προληπτική ανασκόπηση είναι μια τεχνική όπου ζητάτε από την AI να φανταστεί ότι το έργο έχει ήδη αποτύχει και να κατονομάσει τους λόγους. Ο Claude περνά από την αισιόδοξη λειτουργία «θα το τελειώσω» στη διερεύνηση αδυναμιών που διαφορετικά θα εμφανίζονταν έπειτα από μια εβδομάδα δουλειάς. Παίρνετε έναν κατάλογο κινδύνων προτού επενδύσετε χρόνο στο έργο και μπορείτε να τους αντιμετωπίσετε εκ των προτέρων.

</div>

Αυτή είναι η αγαπημένη μου τεχνική και είναι ψυχολογική. Όταν ζητάτε από την AI να «κάνει καλή δουλειά», προσανατολίζεται στην επιτυχία και προσπερνά τα κενά. Ζητήστε της να φανταστεί την αποτυχία και αρχίζει να βλέπει όσα προηγουμένως αγνοούσε. Η προτροπή είναι σύντομη:

<div class="section" data-semantic="prompt" aria-label="Προτροπή">

Προτροπή

Προτροπή προληπτικής ανασκόπησης — βρείτε τα κενά πριν ξεκινήσετε

```
Φανταστείτε ότι βρισκόμαστε έναν χρόνο από τώρα. Το έργο που σχεδιάζουμε έχει αποτύχει.

Γράψτε 10 λόγους για τους οποίους συνέβη αυτό. Τι παραλείψαμε να λάβουμε υπόψη στην αρχή, τι υποτιμήσαμε, πού κόψαμε δρόμο και ποιες υποθέσεις αποδείχθηκαν λανθασμένες;

Έπειτα, για κάθε λόγο, πείτε μου τι μπορούμε να διορθώσουμε τώρα για να τον αντιμετωπίσουμε.
```

</div>

Εκτελώ αυτήν την προτροπή πριν εγκρίνω το σχέδιο. Οι μισοί λόγοι αποδεικνύονται ανοησίες, αλλά οι άλλοι μισοί είναι πραγματικές παγίδες στις οποίες θα έπεφτα μια εβδομάδα αργότερα. Η αντιμετώπισή τους στο στάδιο του σχεδιασμού απαιτεί δέκα λεπτά. Αν τις συναντήσετε σε ένα ολοκληρωμένο έργο, κοστίζουν αρκετές ημέρες διερεύνησης.

Ο συνδυασμός είναι απλός: το grilling αναδεικνύει τις προθέσεις, το «απόδειξέ το» υπερασπίζεται την απόφαση και η προληπτική ανασκόπηση βρίσκει τα κενά. Τρία σύντομα κείμενα που επικολλάτε πριν από τη συγγραφή κώδικα. Μετατρέπουν τον Claude από εκτελεστή που βιάζεται σε συνεργάτη που σκέφτεται πρώτα.

## Γιατί κάνει τον Claude να φέρεται ανόητα ένα υπερφορτωμένο πλαίσιο;

<div class="aside" data-semantic="key-takeaway" role="note" aria-label="Κύρια συμπεράσματα">

Κύριο συμπέρασμα

Ο Claude έχει περιορισμένο παράθυρο πλαισίου — την ποσότητα πληροφοριών που μπορεί να κρατά στο μυαλό του ταυτόχρονα. Όταν το παράθυρο γεμίσει πάνω από τη μέση, αρχίζει να χάνει σημαντικές λεπτομέρειες, να μπερδεύει προηγούμενες συμφωνίες και να συμπληρώνει τα κενά αντί να θυμάται. Μια μακρά συνεδρία για κάθε πιθανό θέμα είναι ένας συνηθισμένος λόγος που η AI κάνει στο τέλος της ημέρας κάτι εντελώς διαφορετικό από όσα συμφωνήσατε το πρωί.

</div>

Ακόμη και μια τέλεια διατυπωμένη εργασία καταρρέει αν δουλέψετε πάνω της μέσα σε ένα ακατάστατο πλαίσιο. Δείτε πώς λειτουργεί: κάθε νέο αίτημα που κάνετε φέρνει ολόκληρο το ιστορικό της συνομιλίας στο πλαίσιο εργασίας του Claude. Όσο μεγαλύτερη η συνεδρία, τόσο γρηγορότερα γεμίζει το παράθυρο. Κρατήστε το γεμάτο έως τη μέση· πέρα από αυτό το σημείο, η AI αρχίζει να φέρεται ανόητα και να χάνει σημαντικά πράγματα που συζητήσατε στην αρχή.

Αυτός είναι ο κανόνας που μου γλιτώνει την περισσότερη απογοήτευση: μία εργασία, μία συνομιλία. Τελειώσατε μια συνάρτηση; Κλείστε τη συνομιλία και ανοίξτε μια καινούργια για την επόμενη εργασία. Ναι, μερικές φορές είναι πιο βολικό να τα κάνετε όλα σε ένα παράθυρο, αλλά θα το πληρώσετε με απώλεια πλαισίου και άσχετες απαντήσεις.

Η Anthropic αποκαλεί αυτόν τον τρόπο αποτυχίας «συνεδρία συρταριού με άχρηστα πράγματα». Η λύση είναι απλή: χρησιμοποιείτε το `/clear` ανάμεσα σε άσχετες εργασίες, για να καθαρίσετε το παράθυρο και να μη μεταφέρετε ακαταστασία από την προηγούμενη εργασία στη νέα.

Αν κάνετε μακρές συνεδρίες και δεν καταλαβαίνετε πού πηγαίνουν τα χρήματα και η προσοχή της AI, το καλύπτω ξεχωριστά στον οδηγό για το [πού πηγαίνουν τα token του Claude Code](https://ailoot.ai/blog/el/where-claude-code-tokens-go/). Επίσης συγκέντρωσα τα βασικά του μόνιμου πλαισίου, το οποίο ο Claude διαβάζει σε κάθε εκκίνηση, στον οδηγό για τη [ρύθμιση του CLAUDE.md](https://ailoot.ai/blog/el/claude-md-template/).

## Grilling ή Plan Mode: ποια είναι η διαφορά και πώς συνεργάζονται;

<div class="aside" data-semantic="key-takeaway" role="note" aria-label="Κύρια συμπεράσματα">

Κύριο συμπέρασμα

Το grilling και το Plan Mode λύνουν διαφορετικά μισά του ίδιου προβλήματος. Το grilling αναδεικνύει τις προθέσεις σας με ερωτήσεις προτού υπάρξει σχέδιο. Το Plan Mode παίρνει μια εργασία που έχει ήδη γίνει κατανοητή και σας δείχνει ένα σχέδιο αλλαγών, χωρίς να αγγίζει τίποτα μέχρι να το εγκρίνετε. Λειτουργούν καλύτερα μαζί: πρώτα το grilling ξεκαθαρίζει τι κατασκευάζουμε και έπειτα το Plan Mode δείχνει ακριβώς πώς.

</div>

Ο κόσμος συχνά συγχέει αυτές τις δύο τεχνικές ή θεωρεί ότι χρειάζεται μόνο η μία. Στην πράξη, ανήκουν σε διαφορετικά σημεία της διαδικασίας.

| Χαρακτηριστικό | Grilling | Plan Mode |
|----|----|----|
| Πότε γίνεται | Πριν από το σχέδιο — ξεκαθαρίζει τις προθέσεις | Έπειτα — δημιουργεί σχέδιο αλλαγών |
| Ποιος ρωτά ποιον | Η AI σας παίρνει συνέντευξη | Διαβάζετε και εγκρίνετε το σχέδιο |
| Τι παίρνετε | Προδιαγραφές εργασίας | Σχέδιο αλλαγών ανά αρχείο |
| Κύριο όφελος | Αποτρέπει το «δεν εννοούσα αυτό» | Αποτρέπει το «μην αγγίξεις τίποτε άλλο» |

Η Anthropic περιγράφει μια καθιερωμένη ροή τεσσάρων φάσεων: πρώτα Explore (ο Claude μελετά και κάνει ερωτήσεις), έπειτα Plan (καταρτίζει σχέδιο χωρίς να κάνει αλλαγές), μετά Implement (γράφει κώδικα σύμφωνα με το σχέδιο) και τέλος Commit (καταγράφει το αποτέλεσμα). Το grilling γίνεται στην πρώτη φάση· το Plan Mode στη δεύτερη. Για πλήρη ανάλυση της δεύτερης φάσης, δείτε τον οδηγό για το [Plan Mode στο Claude Code](https://ailoot.ai/blog/el/claude-code-plan-mode/).

Μια σημαντική επιφύλαξη από την ίδια την Anthropic: μην επιβαρύνετε με αυτό τις μικρές εργασίες.

<figure>
<blockquote>
<p>Αν μπορείτε να περιγράψετε μια αλλαγή σε μία πρόταση, παραλείψτε το σχέδιο.</p>
</blockquote>
<figcaption>— Επίσημη τεκμηρίωση Claude Code, https://code.claude.com/docs/en/best-practices</figcaption>
</figure>

Για ένα τυπογραφικό λάθος, μια μετονομασία ή μια αλλαγή μίας γραμμής, απλώς γράψτε το απευθείας, χωρίς συνεντεύξεις ή σχέδια. Το grilling αποδίδει σε εργασίες με ασάφεια και κόστος λάθους. Για τετριμμένες εργασίες απλώς σας καθυστερεί.

## 5 λάθη στη διατύπωση εργασιών που κάνουν την AI να κάνει το λάθος

<div class="aside" data-semantic="key-takeaway" role="note" aria-label="Κύρια συμπεράσματα">

Κύριο συμπέρασμα

Σχεδόν κάθε αστοχία της AI οφείλεται σε πέντε λάθη στη διατύπωση της εργασίας: μια ασαφής μονογραμμική οδηγία, απουσία περιορισμών, «γράψε κώδικα» χωρίς φάση «κατανόησε πρώτα», απουσία ορισμού του «ολοκληρώθηκε» και μία ατελείωτη συνεδρία για τα πάντα. Καθένα κάνει τον Claude να συμπληρώνει την εργασία με εικασίες. Παρακάτω βλέπετε πώς μοιάζει το καθένα και πώς να το αντικαταστήσετε.

</div>

Συνοψίζω σε έναν πίνακα τις συνηθισμένες παγίδες. Στα αριστερά είναι όσα συνήθως κάνουν και στα οποία κάνουν λάθος οι άνθρωποι· στα δεξιά τι να κάνουν αντί γι’ αυτά.

| Λάθος | Πώς ακούγεται | Τι να κάνετε αντί γι’ αυτό |
|----|----|----|
| Ασαφής μονογραμμική οδηγία | «Κάνε καλύτερο τον πίνακα ελέγχου» | Περιγράψτε την εργασία και ξεκινήστε μια συνεδρία grilling — αφήστε την AI να αναδείξει τις λεπτομέρειες με ερωτήσεις |
| Απουσία περιορισμών | «Πρόσθεσε εξουσιοδότηση» | Πείτε τι δεν πρέπει να χαλάσει, ποιες βιβλιοθήκες να μην προστεθούν και τι είναι εκτός πεδίου |
| «Γράψε κώδικα» αμέσως | Προτροπή — και αρχίζετε να γράφετε κώδικα | Πρώτα «κατανόησε και ρώτα» και έπειτα γράψε κώδικα |
| Απουσία ορισμού του «ολοκληρώθηκε» | Περιμένετε από την AI να μαντέψει το αποτέλεσμα | Δώστε ένα παράδειγμα, ένα στιγμιότυπο αναφοράς ή μια δοκιμή που δείχνει τι σημαίνει «λειτουργεί» |
| Μία συνεδρία για τα πάντα | Περνάτε όλη τη μέρα σε μία συνομιλία | Μία εργασία, μία νέα συνομιλία, ώστε να μη γεμίσει το πλαίσιο |

Ελέγξτε την τελευταία προτροπή στην οποία η AI έδωσε λάθος απάντηση. Σχεδόν σίγουρα, ευθύνεται ένα από αυτά τα πέντε λάθη. Τις περισσότερες φορές είναι το πρώτο: της δώσατε μια σύντομη φράση και περιμένατε από τον Claude να συμπληρώσει σωστά τα υπόλοιπα. Τα συμπλήρωσε — απλώς όχι με τον τρόπο που είχατε κατά νου.

## Τι ακολουθεί: φτιάξτε ένα σύστημα ώστε η AI να σας καταλαβαίνει από λίγες λέξεις

<div class="aside" data-semantic="key-takeaway" role="note" aria-label="Κύρια συμπεράσματα">

Κύριο συμπέρασμα

Οι μεμονωμένες προτροπές διορθώνουν μεμονωμένες εργασίες. Για να σας καταλαβαίνει η AI χωρίς μακροσκελείς εξηγήσεις κάθε φορά, χρειάζεστε ένα σύστημα: το grilling αναδεικνύει τις προθέσεις για κάθε εργασία, ένας Δεύτερος Εγκέφαλος αποθηκεύει τις γνώσεις για το έργο και η μηχανική πλαισίου συνδέει όλα όσα διαβάζει ο Claude πριν από την προτροπή. Τότε εξαφανίζεται ο λόγος που κάνει το λάθος: έχει πάντα αρκετό πλαίσιο ώστε να μη μαντεύει.

</div>

Οι τρεις προτροπές αυτού του οδηγού — grilling, «απόδειξέ το» και η προληπτική ανασκόπηση — αφορούν τη συγκεκριμένη εργασία. Αυτό από μόνο του είναι ήδη σημαντικό: σταματάτε να παίρνετε diff 14 αρχείων όταν το μόνο που θέλατε ήταν μια αλλαγή μίας γραμμής.

Όμως το grilling έχει ένα όριο. Το να αναδεικνύετε κάθε φορά τις προθέσεις σας από την αρχή απαιτεί πολύ χρόνο. Η πραγματική αλλαγή έρχεται όταν κάποιο πλαίσιο είναι πάντα διαθέσιμο: σε έναν φάκελο γνώσεων για το έργο σας, σε ένα αρχείο CLAUDE.md που ο Claude διαβάζει σε κάθε εκκίνηση και στη μεθοδολογία σας, κωδικοποιημένη σε skills. Τότε η AI ξεκινά την εργασία γνωρίζοντας ήδη την επιχείρησή σας, τους στόχους σας και το ύφος σας — και σας καταλαβαίνει από λίγες λέξεις επειδή έχετε εκθέσει εκ των προτέρων το μισό πλαίσιο.

Η πρόσφατη ανάλυση της Anthropic δείχνει πόση δουλειά απαιτεί αυτό: οι προγραμματιστές χρησιμοποιούν AI σε περίπου 60% της εργασίας τους, αλλά μπορούν να την εμπιστευτούν πλήρως μόνο στο 0-20% των εργασιών. Για τις υπόλοιπες χρειάζονται η κατανόησή σας, η επίβλεψη και η ικανότητά σας να εξηγήσετε τι πρέπει να κατασκευαστεί. Αυτή είναι η δεξιότητα που αξίζει να αναπτύξετε, όχι το κυνήγι του εξυπνότερου μοντέλου.

<div class="section" role="doc-bibliography" aria-label="Πηγές">

### Πηγές

- [Claude Code Docs - Best Practices (Let Claude interview you, plan mode)](https://code.claude.com/docs/en/best-practices)
- [Anthropic - 2026 Agentic Coding Trends Report](https://resources.anthropic.com/2026-agentic-coding-trends-report)

</div>





Γνωρίστε το [Ailoot](https://ailoot.ai/).

## Ερωτήσεις και απαντήσεις: Γιατί ο Claude κάνει το λάθος: 3 προτροπές

### Πότε χρησιμοποιώ προτροπή συνέντευξης αντί να πάω κατευθείαν στον κώδικα;

Όταν αποτέλεσμα, οριακές περιπτώσεις ή περιορισμοί είναι ασαφείς και τα λάθη ακριβά. Ζητήστε μία ερώτηση τη φορά και αποθηκεύστε συμφωνημένο αποτέλεσμα στο SPEC.md· τυπογραφικό λάθος ή σαφής αλλαγή μίας γραμμής ζητείται απευθείας.

### Τι ελέγχω πριν αποδεχτώ το προτεινόμενο σχέδιο;

Ζητήστε δύο ή τρεις προσεγγίσεις και συγκρίνετε πώς καθεμία πληροί προδιαγραφή και περιορισμούς. Εκτελέστε μετά την προτροπή pre-mortem, εξετάστε λόγους αποτυχίας και αντιμετωπίστε σχετικούς κινδύνους πριν την υλοποίηση.


## Ailoot · Η εταιρεία και το χαρτοφυλάκιο έργων της

Η Ailoot στηρίζεται στη συσσωρευμένη λειτουργική εμπειρία, τη μεγάλη πελατειακή βάση, τη σταθερή εξυπηρέτηση και τον συνεχή έλεγχο KPI.

Η εταιρεία και το χαρτοφυλάκιο έργων της: εκατομμύρια πελάτες· μηνιαίες πωλήσεις δισεκατομμυρίων.

Η Ailoot αξιοποιεί αυτή τη λειτουργική εμπειρία για πρόσβαση μέσω API σε λειτουργίες AI στα προϊόντα, τους πράκτορες, τις εφαρμογές και τους αυτοματισμούς των πελατών.