למה Claude עושה את הדבר הלא נכון: 3 הנחיות

למידע נוסף על השימוש בשירות, עיינו בתיעוד Ailoot.

למה Claude עושה את הדבר הלא נכון?#

אתם כותבים: „הוסיפו מסננים לדף המוצרים”. בראש שלכם מדובר בכמה תיבות סימון וברשימה מתעדכנת. Claude שומע את אותו הדבר ומחליט לבנות מנוע סינון מלא: מאגר מצב משלו, לוגיקה נפרדת להשהיית קלט, סנכרון עם כתובת ה-URL ותריסר פונקציות עזר. מאות שורות, כשכמה פרמטרים בכתובת ה-URL היו מספיקים.

במקרה כזה, המסקנה ברורה: הסוכן לא טעה; הוא פשוט פתר בעיה גדולה בהרבה מכפי שהיה נחוץ. האשמה הייתה בכך שהתוצאה הרצויה לא תוארה בקצרה ובדיוק מספיקים.

מילת המפתח היא „כוונה”. היא נמצאת בראש שלכם; Claude לא יודע אותה. הוא רואה את הטקסט של הבקשה שלכם ואת כל מה שנמצא בהקשר שלו עד אליה. אחר כך הוא ממלא את הפערים בניחושים. ככל שהבקשה קצרה יותר, כך הוא מנחש יותר — והתוצאה מתרחקת ממה שרציתם.

Anthropic אומרת זאת במפורש בתיעוד Claude Code:

נתקלתי בזה בפרויקט שלי. ביקשתי לתקן מסך הרשאות אחד וקיבלתי diff שהשפיע על חצי ממודול סמוך. Claude לא היה אשם: נתתי לו שורה אחת, והוא השלים את השאר בעצמו. מאז, בכל משימה גדולה יותר מתיקון שגיאת הקלדה, אני מתחיל בשאלות — אלה ש-Claude שואל אותי.

האם באמת המודל אשם — ולמה אפילו החזקים ביותר מחטיאים?#

מדי שבוע מופיע מודל „חכם” יותר מקודמו, ובכל פעם נדמה שהנה, זה הרגע שבו הבינה המלאכותית סוף סוף תבין אותנו מכמה מילים. זה לא יקרה. מודל חזק יותר כותב קוד מהר יותר ומתמודד טוב יותר עם לוגיקה מורכבת, אבל הוא עדיין לא יכול לקרוא את מחשבותיכם. אם המשימה מנוסחת גרוע, תקבלו משהו שכתוב להפליא אך עדיין שגוי.

המסקנה עבורכם פשוטה. לרדוף אחרי המודל החדש ביותר כדי שינחש טוב יותר זה מבוי סתום. זול ואמין יותר ללמוד איך לתת לו משימות כך שלא יצטרך לנחש. זה הנושא הבא.

מהי חקירה, ואיך היא מתקנת חוסר התאמה מול AI?#

זה נשמע מנוגד לאינטואיציה. אנחנו פונים לבינה מלאכותית כדי להספיק יותר מהר, ועכשיו אומרים לנו להאט אותה ולגרום לה לשאול שאלות קודם. אבל חמש דקות של שאלות לפני כתיבת הקוד יכולות לחסוך שעה של תיקונים אחר כך.

הבעיה אינה רק בכך שהסברתם דברים בצורה לא טובה ל-Claude. לעיתים קרובות, גם אתם עצמכם עדיין לא חשבתם על המשימה עד הסוף — אילו מקרים להביא בחשבון, היכן הגבולות ומה חשוב ביותר. החקירה מוציאה זאת מכם באמצעות שאלות. בסוף השיחה, יש לכם לא רק משימה שהבינה המלאכותית מבינה, אלא גם את המשימה שלכם, שסוף סוף נוסחה בפירוט.

כך פועלת הנדסת הקשר: העבודה העיקרית מתבצעת לפני ההנחיה, לא במהלכה. אינכם מחפשים ניסוח קסם להנחיה; אתם מפרטים מראש מה אתם צריכים מ-Claude, עד שהוא מבין ללא הסברים נוספים.

איך גורמים ל-Claude לשאול אתכם שאלות קודם?#

Anthropic לא רק מאפשרת את הגישה הזאת, אלא גם ממליצה עליה. בתיעוד שלה יש סעיף בשם „תנו ל-Claude לראיין אתכם”, ובו הנחיה מוכנה. הנה גרסה מעשית:

אני רוצה לבנות [תיאור קצר של המשימה].

ראיין אותי בפירוט לפני כתיבת קוד כלשהו. שאל שאלות על המימוש, הממשק, מקרי קצה, סיכונים ופשרות. אל תשאל שאלות מובנות מאליהן — היכנס לעומק של החלקים המורכבים שאולי לא חשבתי עליהם.

שאל שאלה אחת בכל פעם והמתן לתשובתי. עבור כל שאלה, הצע מיד את התשובה המומלצת שלך.

המשך עד שנכסה הכול. לאחר מכן, רכז מפרט מלא בקובץ בשם SPEC.md.

שלושה פרטים הופכים את ההנחיה הזאת לשימושית ולא לקישוט. ראשית, „שאלה אחת בכל פעם”. אם הבינה המלאכותית מטיחה בכם עשר שאלות בבת אחת, אתם מוצפים ועונים באופן שטחי. שנית, „הצע את התשובה שלך”: אינכם צריכים להמציא הכול מאפס; אפשר להסכים או לתקן. שלישית, „רכז מפרט בקובץ”: הכוונה שהוצאתם מכם הופכת למסמך שלא ילך לאיבוד.

Anthropic מתארת את התמורה במונחים של השקעת זמן:

אחרי הריאיון, פתחו שיחה חדשה ותנו לה את המפרט שהושלם. הקשר נקי יחד עם כוונה מנוסחת בבירור — ו-Claude קולע למטרה בניסיון הראשון.

שיטת „הוכח לי שזו התוכנית הטובה ביותר”#

החקירה מוציאה לאור את הכוונה שלכם. אבל לבינה המלאכותית יש הרגל נוסף: לבחור בפתרון הראשון שנראה סביר. Anthropic מכנה זאת פער „תן אמון, אבל אמת”: Claude מייצר מימוש שנראה הגיוני אך אינו עומד במבחן מקרי הקצה. הפתרון הוא לבקש ראיות לפני כתיבת הקוד.

כמעט תמיד אני מוסיף להנחיה שלי סעיף „הוכח זאת”. הנה הניסוח המדויק:

לפני כתיבת קוד, נתח את המשימה כמו מבקר.

מצא 2-3 דרכים לפתור אותה. עבור כל אחת, הוכח לי שהיא באמת פותרת את המשימה שלי במקום להוסיף מורכבות לשמה. אל תכתוב קוד רק לשם כתיבת קוד.

לאחר מכן, בחר אחת והוכח שזו הפתרון הטוב ביותר, לאחר שבחנת אותו כמה צעדים קדימה. מה יישבר כשהפרויקט יגדל? מה חסר לנו כרגע?

רק אז הצע מימוש.

בלי הסעיף הזה, Claude נותן לכם את האפשרות הראשונה שעובדת. איתו, Claude פוסל בעצמו מבויים סתומים, מסביר את בחירתו ומאפשר לכם לראות את דרך החשיבה שלו לפני שנוגעים אפילו בקובץ אחד. אתם קוראים טקסט קצר שאורך שתי דקות, במקום לבלות שעה בניסיון להבין מדוע הקוד המוגמר לא עובד כמצופה.

ניתוח מקדים של כישלון: לגרום לבינה המלאכותית למצוא 10 סיבות לכישלון לפני שמתחילים#

זו הטכניקה האהובה עליי, והיא פסיכולוגית. כשמבקשים מהבינה המלאכותית „לעשות עבודה טובה”, מכוונים אותה להצלחה והיא מדלגת על הפערים. בקשו ממנה לדמיין כישלון, והיא מתחילה לראות את הדברים שהתעלמה מהם קודם. ההנחיה קצרה:

דמיין שעברה שנה. הפרויקט שאנחנו מתכננים נכשל.

כתוב 10 סיבות לכך. למה לא נתנו את הדעת בהתחלה, מה הערכנו בחסר, היכן עיגלנו פינות ואילו הנחות התבררו כשגויות?

לאחר מכן, עבור כל סיבה, ספר לי מה אפשר לתקן עכשיו כדי להתמודד איתה.

אני מריץ את ההנחיה הזאת לפני שאני מאשר את התוכנית. מתברר שחצי מהסיבות הן שטויות, אבל החצי השני הם מכשולים אמיתיים שהייתי נתקל בהם שבוע לאחר מכן. טיפול בהם בשלב התכנון נמשך עשר דקות. ההתמודדות איתם בפרויקט גמור עולה כמה ימי חקירה.

השילוב פשוט: החקירה מוציאה את הכוונה לאור, „הוכח זאת” מגן על ההחלטה, והניתוח המקדים של הכישלון מאתר את הפערים. שלושה קטעי טקסט קצרים שמדביקים לפני כתיבת הקוד. הם הופכים את Claude ממבצע שממהר לפעול לשותף שחושב קודם.

למה הקשר עמוס גורם ל-Claude להתנהג בטיפשות?#

אפילו משימה שמנוסחת היטב מתפרקת אם עובדים עליה בהקשר עמוס. כך זה עובד: כל בקשה חדשה שאתם שולחים מכניסה להקשר העבודה של Claude את כל היסטוריית הצ'אט. ככל שהשיחה ארוכה יותר, החלון מתמלא מהר יותר. השאירו אותו מלא לכל היותר עד מחציתו; מעבר לכך, הבינה המלאכותית מתחילה להתנהג בטיפשות ולאבד דברים חשובים שדיברתם עליהם בהתחלה.

הנה הכלל שחוסך לי את רוב התסכול: משימה אחת, צ'אט אחד. סיימתם פונקציה? סגרו את הצ'אט ופתחו צ'אט חדש למשימה הבאה. כן, לפעמים נוח יותר לעשות הכול בחלון אחד, אבל תשלמו על כך באובדן הקשר ובתשובות לא קשורות.

Anthropic מכנה את מצב הכשל הזה „שיחת מגירת זבל”. הפתרון פשוט: השתמשו ב-/clear בין משימות שאינן קשורות כדי לנקות את החלון ולמנוע מהעומס של המשימה הקודמת לעבור למשימה החדשה.

אם אתם מנהלים שיחות ארוכות ולא מבינים לאן הולכים הכסף ותשומת הלב של הבינה המלאכותית, אני מסביר על כך בנפרד במדריך על לאן הולכים הטוקנים של Claude Code. וריכזתי את היסודות של הקשר מתמשך, ש-Claude קורא בכל הפעלה, במדריך להגדרת CLAUDE.md.

חקירה או Plan Mode — מה ההבדל, ואיך משלבים ביניהם?#

אנשים מתבלבלים לעיתים קרובות בין שתי הטכניקות האלה או מניחים שצריך רק אחת מהן. בפועל, כל אחת שייכת לשלב אחר בתהליך.

Anthropic מתארת תהליך עבודה קנוני בן ארבעה שלבים: תחילה Explore (Claude לומד ושואל שאלות), אחר כך Plan (בונה תוכנית בלי לבצע שינויים), אחר כך Implement (כותב קוד לפי התוכנית), ולבסוף Commit (מתעד את התוצאה). החקירה מתבצעת בשלב הראשון; Plan Mode בשני. לפירוט מלא של השלב השני, עיינו במדריך ל-Plan Mode ב-Claude Code.

הסתייגות חשובה מצד Anthropic עצמה: אל תעמיסו זאת על משימות קטנות.

לתיקון שגיאת הקלדה, לשינוי שם או לשינוי בשורה אחת, פשוט כתבו זאת ישירות, בלי ראיונות או תוכניות. החקירה משתלמת במשימות שיש בהן עמימות וטעות עלולה לעלות ביוקר. במשימות פשוטות היא רק מאטה אתכם.

5 טעויות בניסוח משימה שגורמות לבינה המלאכותית לעשות את הדבר הלא נכון#

סיכמתי בטבלה מלכודות נפוצות. בצד שמאל מופיעים הדברים שאנשים נוהגים לעשות — ושוגים בהם; בצד ימין מופיע מה לעשות במקום.

בדקו את ההנחיה האחרונה שבה הבינה המלאכותית נתנה לכם תשובה שגויה. כמעט בוודאות, אחת מחמש הטעויות האלה הייתה מעורבת. לרוב זו הראשונה: נתתם לה ביטוי קצר וציפיתם ש-Claude ישלים נכון את השאר. הוא השלים את השאר — רק לא בדרך שהתכוונתם אליה.

מה הלאה: לבנות מערכת כך שהבינה המלאכותית תבין אתכם מכמה מילים#

שלוש ההנחיות במדריך הזה — חקירה, „הוכח זאת” וניתוח מקדים של כישלון — מטפלות במשימה הספציפית שעל הפרק. זה כבר הרבה: אתם מפסיקים לקבל diff של 14 קבצים כשרציתם רק שינוי בשורה אחת.

אבל יש גבול למה שהחקירה יכולה לעשות. לברר את הכוונה שלכם מאפס בכל פעם לוקח זמן רב. השינוי האמיתי מגיע כשחלק מההקשר כבר נמצא שם: בתיקיית ידע על הפרויקט, בקובץ CLAUDE.md ש-Claude קורא בכל הפעלה, ובמתודולוגיה שלכם המקודדת ב-skills. אז הבינה המלאכותית ניגשת למשימה כשהיא כבר מכירה את העסק שלכם, את היעדים ואת הסגנון שלכם — ומבינה אתכם מכמה מילים, כי כבר פרסתם מראש מחצית מההקשר.

הניתוח האחרון של Anthropic מראה כמה עבודה כרוכה בכך: מפתחים משתמשים בבינה מלאכותית בכ-60% מהעבודה שלהם, אך יכולים לסמוך עליה לחלוטין רק ב-0-20% מהמשימות. את השאר דורשות ההבנה, הפיקוח והיכולת שלכם להסביר מה לבנות. זו המיומנות שכדאי לפתח, ולא המרדף אחר המודל החכם ביותר.

הכירו את Ailoot.