Setiap enam bulan, hapus Claude.md Anda, hapus skill Anda, hapus hook Anda.
Ini adalah saran dari Boris Cherny – Bapak Claude Code – untuk para pengguna produk.
Dalam video wawancara baru yang dirilis YC pada 28 Juli, Boris Cherny: We Cut 80% of Claude Code’s Prompt, Boris dengan antusias menyerukan kepada semua orang yang membuat produk AI agar berani menekan tombol hapus untuk produk baru mereka, menghapus secara drastis prompt, alat, dan kode harness sistem.
△
“Anda harus menghapus seluruh prompt sistem, lalu menambahkannya kembali baris demi baris, untuk melihat pengaruh sebenarnya dari setiap baris.”
Konsep di balik pandangan ini adalah studi ablasi (ablation study), yang menjadi benang merah wawancara terbaru Boris Cherny, bertujuan untuk menghapus, mengganti, atau menonaktifkan satu modul dengan kondisi lain yang tetap, untuk membandingkan perubahan kinerja, stabilitas, efisiensi, atau biaya.
Dalam wawancara, Boris dengan bangga mengklaim: Sebenarnya untuk Opus 5, kami benar-benar menyarankan Anda untuk mencoba menghapus semua hal ini, karena modelnya sudah tidak membutuhkannya lagi.
Meskipun ada gejolak belakangan ini... pengguna juga bisa mengklaim, “Sebenarnya untuk Claude, benar-benar disarankan untuk menghapusnya, karena kita sudah tidak membutuhkannya lagi.” (x)
Selain “berani menghapus”, Boris juga membagikan lebih banyak pemikiran bernilai tentang desain produk, penggunaan model, dan pembelajaran pemrograman –
Pandangan artikel ini berasal dari video wawancara, poin-poin penting membacanya adalah sebagai berikut: 1. Strategi iterasi produk Boris: Kurangi praduga, perbanyak pengujian. 2. “Product Overhang”: Dalam periode yang sama, kemampuan model selalu melebihi batas produk. 3. “Unhobbling”: Biarkan model mengerjakan tugas yang lebih sulit, bekerja mandiri lebih lama. 4. Bagaimana pengguna Claude top menggunakan AI? 5. 3 saran untuk pelajar pemrograman.
“Model adalah makhluk hidup, memiliki kepribadiannya sendiri”
“Kode harness Claude Code hari ini, hampir hanya menyisakan bagian keamanan, izin, dan analisis statis.”
Pada 24 Juli, Anthropic merilis aturan terbaru tentang rekayasa konteks Claude 5, di mana untuk model baru seperti Opus 5, Fable 5, prompt sistem Claude Code disederhanakan secara drastis, menghapus lebih dari 80% instruksi asli.
Untuk detailnya, dapat merujuk artikel QbitAI “Claude Code Hapus Gila-gilaan 80% Prompt, Opus 5 Malah Menambahkannya Kembali”.
Menanggapi perubahan ini, Boris dalam wawancara berbagi strategi iterasi produknya: Jangan menebak-nebak instruksi apa yang dibutuhkan model, karena Anda sama sekali tidak bisa menebaknya dengan benar. Yang bisa Anda lakukan adalah menghapus baris demi baris, menguji, lalu menemukan di mana model berulang kali macet.
“Anda harus memikirkan model sebagai makhluk hidup, sesuatu yang lebih organik. Perilaku setiap generasi model berbeda, kepribadiannya sedikit berbeda, Anda harus meluangkan waktu untuk memahaminya, lalu menyesuaikan harness berdasarkan itu.”
△
Oleh karena itu, bagi Boris ini lebih condong ke “empiris”, perlu diperlakukan secara ilmiah: mencoba tanpa praduga, melihat hasilnya, beriterasi, ulangi.
Dan di dunia yang terus dibongkar pasang seperti ini, Eval pun belum tentu bisa digunakan dengan stabil. Meskipun memang lebih tahan lama daripada harness dan prompt, tetapi saat ini model berkembang terlalu cepat, seringkali satu set evaluasi akan dengan cepat mencapai nilai sempurna. Oleh karena itu, perlu mengamati di mana model terus-menerus berjuang, lalu merancang Eval baru.
Sebuah pola pikir: Overhang, Unhobbling
Dalam wawancara, Boris berbagi sebuah konsep bernama “Product Overhang”, yang menurutnya adalah cara berpikir yang sangat membantunya dalam membuat produk.
Overhang, apa artinya? Kelebihan yang menggantung.
Model besar berkembang dengan kecepatan lompatan yang tidak kontinu, sementara integrasi produk berjalan dengan ritme inkremental yang kontinu. Hal ini menyebabkan kemampuan yang dimiliki model selalu melebihi batas yang dapat dilepaskan oleh produk yang ada.
Boris memberi contoh: Akhir 2024 ketika sonnet 3.5 baru diluncurkan, model ini sudah bisa menulis kode seluruh file sekaligus. Tetapi produk pemrograman saat itu seperti Copilot, versi awal Cursor masih mengerjakan hal-hal kecil seperti melengkapi kode.
Claude Code yang memiliki izin terminal penuh, pada tingkat tertentu, menutupi kesenjangan ini. Ini juga adalah konsep kedua yang diajukan Boris, “Unhobbling”, melepaskan batasan.
△
Dia membagikan kasus internal Anthropic: Seseorang mencoba memberikan akses OpenCV (perpustakaan visi komputer open source terbesar di dunia) ke Opus 5, dan menemukan bahwa model bisa menggambar potret, binatang, pemandangan sendiri, padahal sebelumnya mereka tidak pernah melatih model untuk melukis.
Inilah yang disebut “elicitation model”, tanpa mengubah bobot model, melalui desain prompt, konteks, alat, atau bentuk produk, membuat model menunjukkan kemampuan yang sebenarnya sudah dimilikinya, tetapi sebelumnya belum dipanggil.
Meskipun mungkin masih ada pertanyaan di sini: Bagaimana atribusinya? Apakah model benar-benar dieluksidasi kemampuan yang sudah dimiliki, atau model belajar keterampilan baru karena desain “perancah”?
Tapi mungkin ini tidak penting, bagaimanapun juga, Boris sama sekali tidak meragukan bahwa ada peluang bisnis besar di sini:
Saya tidak mengatakan semua startup bisa menangkapnya. Tapi saya tahu ada orang yang memikirkan masalah ini, benar-benar ada peluang besar di sini, untuk mengeluarkan perilaku yang menakjubkan, menarik, dan bernilai komersial dari model.
Untuk itu, Boris mengajukan tiga metode “melepaskan batasan” model yang dia gunakan sendiri.
Pertama, berikan model tugas yang lebih sulit dari yang Anda bayangkan. Jelaskan tujuan, batasan, dan kondisi keluar dengan jelas, lalu lepaskan.
Kedua, perbanyak eksperimen. Izinkan model melakukan percobaan yang tidak memiliki tujuan komersial yang jelas tetapi menyenangkan, “beri diri Anda kebebasan untuk bermain dengan model, melakukan hal-hal kreatif”.
Ketiga, biarkan model memvalidasi hasilnya sendiri. Fokus saat ini bukan lagi “rekayasa prompt”, masalahnya adalah, “Ketika Anda memberikan tugas yang sangat sulit kepada Claude, bagaimana Anda membuatnya memvalidasi pekerjaan yang dilakukannya selama proses?”
Boris berpikir poin ketiga mungkin adalah hal yang paling kurang dilakukan orang saat ini. Karena jika model tidak dapat memvalidasi tugasnya sendiri, ia tidak bisa berjalan mandiri untuk waktu yang lama.
△
Contohnya sendiri mungkin bisa memberikan inspirasi:
Boris: “Baiklah, yang saya ingin Anda lakukan adalah – tulis ulang aplikasi Electron menjadi Swift. Saya ingin Anda menjalankan aplikasi Electron di mesin virtual Mac, tangkap layar, lalu bandingkan piksel demi piksel, bandingkan dengan versi Swift, jangan berhenti sampai selesai.” Pewawancara: Ini prompt Anda? Boris: Ini prompt saya. Pewawancara: Berapa lama berjalan? Boris: Masih berjalan. Pewawancara: Kapan mulai? Boris: Sudah berjalan lebih dari dua minggu, mungkin 14 hari, 15 hari… Claude bahkan memutuskan untuk melakukan siaran langsung, yang dilakukannya adalah membuat saluran Slack internal, lalu setiap beberapa menit mengirim screenshot kemajuan.
Saran praktis Boris untuk pengguna AI dan pengusaha
Di akhir wawancara, pewawancara melemparkan pertanyaan:
Jadi, Boris, bagaimana caranya agar kita bisa menggunakan Claude sebaik Anda?
Boris mengatakan, yang paling penting adalah jangan dengarkan apa yang dikatakan selebriti LinkedIn, jangan scroll Twitter.
Tentang menggunakan AI, “Semua orang mencari ‘tip dan trik ajaib’ itu. Tapi sebenarnya tidak ada hal seperti itu. Tidak ada.”
Dia menyarankan untuk memperlakukan model secara empiris, lupakan pengalaman dengan model lama dan teori ilmu komputer yang dipelajari di kelas, langsung amati di mana model macet, lalu sesuaikan secara spesifik.
Jadi ini bukan lagi ilmu teori, sudah menjadi ilmu empiris. Saya pikir orang yang sangat pandai melepaskan pengetahuan sebelumnya mereka, melepaskan pemikiran ‘dulu tidak bisa’, mau mencoba lagi – akan sangat sangat sukses.
Yang lebih penting adalah menjaga pola pikir, yaitu melepaskan “keinginan mengendalikan” terhadap model, memperlakukan model seperti rekan kerja, tidak terlalu menetapkan, tidak membuat permintaan terlalu spesifik, tidak mencoba membuat model melakukan tugas persis seperti cara Anda melakukannya. Karena “model tidak bekerja seperti itu”.
Bagi mereka yang masih belajar pemrograman, Boris menyerukan untuk tidak hanya belajar teori ilmu komputer murni, tapi belajar cara menerapkannya. Misalnya, motivasi awalnya sendiri belajar pemrograman adalah untuk mencontek dalam ujian matematika.
Biasanya ini tentang memulai bisnis, tentang membuat produk, tentang mengembangkan rasa desain Anda sendiri, rasa bisnis, belajar bagaimana melakukan ilmu data, belajar bagaimana berbicara dengan pengguna… Ketika Anda menggabungkannya dengan ilmu komputer, rekayasa, barulah menjadi benar-benar bernilai.
Singkatnya, “Pertama buat apa yang Anda inginkan, lalu tingkatkan untuk membuat apa yang diinginkan orang lain.”
Artikel ini berasal dari akun WeChat publik “QbitAI” (ID: QbitAI), penulis: Fokus pada Teknologi Terdepan
