KotПродолжаю разбор годноты из репозитория [augmented-coding-patterns](https://github.com/lexler/augmented-coding-patterns).
Сегодня про паттерн, который, на мой взгляд, просто обязателен при написании скиллов и выдаче инструкций для агентов — Semantic Anchors.
Главный тезис: Names beat descriptions. Always.
В чем проблема? Как мы обычно пишем промпты, когда хотим получить качественный результат? Пытаемся разжевать агенту каждую деталь. Пишем: «Напиши изолированные тесты, замокай зависимости, тестируй поведение, а не реализацию, иди снаружи внутрь…». В итоге получаем огромную, хрупкую и дорогую простыню текста. И самое печальное — разные модели в разных контекстах все равно интерпретируют это размытое описание по-своему.
Как работает паттерн Хватит описывать — называйте. Используйте устоявшиеся доменные термины. Модель видела их в обучающей выборке сотни тысяч раз. Одно правильное название активирует конкретную, стабильную методологию в весах модели в разы надежнее, чем подробный абзац ваших объяснений.
Вместо длинного абзаца: «Документируй систему по шаблону, покрывая контекст, строительные блоки, сценарии и развертывание…» Пишем просто: arc42
Вместо: «Изолируй юнит-тесты за счет тест-даблов…» Пишем: TDD, London School
Три слова активируют целый пласт практик. Модель сразу понимает, что от нее хотят.
А теперь к цифрам
Контрибуторы augmented-coding-patterns протестировали это систематически: 63 семантических якоря, 193 вопроса, 3 модели. При использовании правильного термина метрики понимания близки к 100%: Claude Sonnet — 99%, GPT-4o — 97%.
Но когда они попробовали описать «Технику Фейнмана», не называя её напрямую, то метрика попадания у Claude и GPT-4o стала 0%.
Имя термина призывает знания, зашитые в модель при обучении. Пересказ своими словами — как повезет. В итоге, используя семантические якоря, мы тратим меньше токенов и получаем более точный и предсказуемый результат. Агент не выдумывает велосипед по вашему кривоватому ТЗ, а едет по проложенным индустрией рельсам.
Так что меньше слов, больше терминов 👾