Создание API-эндпоинтов с помощью Claude: Практические уроки по инженерии промптов из проекта с 70+ эндпоинтами

Практический промпт-инжиниринг для агентов, выполняющих действия

Разработчик, создающий API для автоматизации LinkedIn с более чем 70 эндпоинтами, серверным выполнением и аутентификацией через расширение Chrome, использовал Claude для написания примерно 80% кода. Проект выявил конкретные уроки о структурировании промптов для агентов, которые выполняют действия, такие как API-вызовы, извлечение данных и деревья решений, в отличие от агентов, которые только общаются.

Контрактный подход к промптам

Разработчик обнаружил, что инструкции на естественном языке, такие как "найди релевантных лидов в LinkedIn и отправь им персонализированный запрос на подключение", приводили к проблемам: Claude выдумывал поля, пропускал валидацию и создавал цепочки ненужных API-вызовов. Эффективным оказался подход, при котором каждый промпт для агента рассматривается как сигнатура функции с явными ограничениями:

• ВХОДНЫЕ ДАННЫЕ: Точно то, что агент получает (схема, типы, граничные случаи)
• ГРАНИЦЫ: Что агент НЕ должен делать (никаких предположений, пропущенных полей, выдуманных данных)
• КОНТРАКТ НА ВЫХОД: Точная форма возвращаемых данных, включая состояния ошибок
• ПРАВИЛА РЕШЕНИЙ: Если X, то Y, если Z, то остановись — никакой неоднозначности

Конкретные извлечённые уроки

«Будь креативным» проблематично для агентов действий: Каждый раз, когда в промптах для действий оставалось место для интерпретации, Claude выдавал неожиданные результаты. Для агентов, выполняющих реальные действия, предпочтительнее нулевая креативность, сохраняя её для задач генерации контента.

Обработка ошибок обязательна: Примерно 40% токенов в промптах были посвящены «что делать, когда что-то идёт не так». Без этого Claude либо повторял попытки бесконечно, либо молча игнорировал ошибки и возвращал частичные данные, как будто всё в порядке.

Компромиссы цепочки рассуждений: Принуждение каждого агента выводить шаг рассуждения перед действием стоит примерно на 15% больше токенов, но экономит часы отладки. Когда что-то ломается, разработчик может прочитать, почему именно агент решил сделать то, что сделал.

Сопоставление с образцом вместо промптов-персон: Вместо использования промптов вроде «ты — старший инженер» разработчик вставляет реальный пример хорошего вывода и говорит «точно сопоставь этот образец». Claude лучше справляется с сопоставлением образцов, чем с ролевой игрой.

Стратегия выбора модели: Простые задачи извлечения и форматирования направляются в Sonnet (или даже Haiku), в то время как только сложные задачи принятия решений используют Opus. Этот подход снизил стоимость API от болезненной до управляемой, так как большинству задач агентов не требуется Opus.