Якщо ви коли-небудь отримували від Claude розмиті або неточні відповіді — справа, скоріш за все, не в моделі, а в тому, як ви структуруєте запит. Claude Skills (інструкції-навички через системний промпт і API) дозволяють задати чіткі межі поведінки моделі за допомогою буквально 4 рядків коду. Цей туторіал вирішує проблему «сміттєвих» відповідей і займе у вас не більше 20–30 хвилин. Для старту потрібен акаунт на Anthropic Console та базове розуміння Python або JavaScript.
🛠️ Що знадобиться
- Anthropic Console (console.anthropic.com) — для отримання API-ключа; є безкоштовний тріал на $5, далі платно за токени
- Python 3.10+ або Node.js 20+ — середовище виконання коду; безкоштовно
- Бібліотека anthropic (pip install anthropic) — офіційний SDK для роботи з API Claude; безкоштовна
- VS Code або будь-який редактор коду — для написання та запуску скриптів; безкоштовно
📋 Покрокова інструкція
Крок 1: Отримати API-ключ і встановити SDK
Зайдіть на console.anthropic.com, зареєструйтесь або увійдіть в акаунт. У лівому меню оберіть API Keys → Create Key, дайте ключу назву (наприклад, skills-test) і натисніть Create. Скопіюйте ключ — він показується лише один раз, тож збережіть його у безпечному місці. Далі відкрийте термінал і виконайте команду: pip install anthropic. Після завершення установки перевірте версію командою pip show anthropic — має бути версія 0.40 або вища.
Крок 2: Створити базову структуру файлу
Відкрийте VS Code, створіть новий файл claude_skills.py і вставте наступні 4 ключові рядки коду, які є серцем цього туторіалу:
import anthropic
client = anthropic.Anthropic(api_key="ВАШ_КЛЮЧ_ТУТ")
SYSTEM_SKILL = """Ти — точний асистент. Правила:
1. Якщо не знаєш відповіді — прямо кажи 'Не знаю'.
2. Завжди вказуй джерело або логіку своїх тверджень.
3. Відповідай лише на те, що запитали — без зайвого.
4. Якщо запит неоднозначний — перепитуй перед відповіддю."""
message = client.messages.create(
model="claude-opus-4-5",
max_tokens=1024,
system=SYSTEM_SKILL,
messages=[{"role": "user", "content": "Ваш запит тут"}]
)
print(message.content[0].text)
Підводний камінь: не вставляйте API-ключ прямо в код для продакшну — використовуйте змінні середовища через os.environ.get("ANTHROPIC_API_KEY").
Крок 3: Налаштувати Skill під конкретну задачу
Замініть змінну SYSTEM_SKILL на опис конкретної ролі та правил для вашого випадку. Наприклад, якщо потрібен асистент для аналізу коду — вкажіть: «Ти — senior Python developer. Аналізуй код критично. Завжди вказуй номер рядка з помилкою. Пропонуй не більше 3 варіантів виправлення». Збережіть файл і запустіть його командою python claude_skills.py у терміналі. Якщо все налаштовано правильно — у терміналі з’явиться перша відповідь Claude вже з урахуванням вашого Skill. Спробуйте кілька різних запитів, змінюючи поле content у масиві messages.
Крок 4: Додати валідацію відповіді (захист від помилок)
Це і є головна «страховка» — додайте після отримання відповіді простий блок перевірки:
response_text = message.content[0].text
# Перевірка 1: чи не порожня відповідь
if not response_text.strip():
raise ValueError("Claude повернув порожню відповідь")
# Перевірка 2: чи не перевищує ліміт (захист від «галюцинацій» об'єму)
if len(response_text) > 5000:
print("УВАГА: відповідь підозріло довга, перевірте вручну")
# Перевірка 3: маркер невпевненості
uncertainty_markers = ["не знаю", "не впевнений", "можливо", "приблизно"]
if any(marker in response_text.lower() for marker in uncertainty_markers):
print("⚠️ Claude не впевнений у відповіді — потребує перевірки")
print(response_text)
Ці 4 перевірки займають рівно 4 рядки логіки та автоматично сигналізують, коли відповідь потребує додаткової уваги.
Крок 5: Протестувати з реальними кейсами та зберегти шаблон
Запустіть скрипт з трьома тестовими запитами: один чіткий (наприклад, «Яка столиця Франції?»), один неоднозначний («Розкажи про Python») і один за межами знань моделі («Яка погода у Києві зараз?»). Переконайтеся, що на другий запит Claude перепитує уточнення, а на третій — чесно відповідає, що не має актуальних даних. Якщо всі три тести пройшли коректно — збережіть файл як шаблон claude_skill_template.py і використовуйте його як основу для всіх наступних проєктів. Фінальний результат: у вас є готовий, захищений від типових помилок інтерфейс до Claude з чітко заданою поведінкою.
⚠️ Типові помилки та як їх уникнути
- Занадто довгий системний промпт — якщо SYSTEM_SKILL містить більше 500 слів, модель починає ігнорувати частину інструкцій; обмежте до 5–7 чітких правил максимум
- Суперечливі інструкції у Skill — наприклад, «відповідай коротко» і «давай розгорнуті пояснення» в одному промпті призводять до непередбачуваної поведінки; перевірте, чи всі правила узгоджені між собою
- Відсутність обробки помилок API — якщо не обернути виклик у try/except, програма падає при першій проблемі з мережею; завжди додавайте
except anthropic.APIError as e: print(f"Помилка API: {e}") - Хардкод API-ключа у коді — ніколи не комітьте ключ у Git; використовуйте файл .env з бібліотекою python-dotenv і додайте .env до .gitignore
💡 Поради для кращого результату
По-перше, починайте системний промпт зі слова «Ти —» і конкретної ролі — це налаштовує модель значно краще, ніж абстрактні інструкції у стилі «будь корисним». По-друге, додайте в SYSTEM_SKILL рядок «Формат відповіді: [JSON / маркований список / один абзац]» — це різко підвищує стабільність структури виводу і спрощує подальший парсинг. По-третє, використовуйте параметр temperature=0.2 для задач, де потрібна точність (аналіз, підрахунки), і temperature=0.8 для творчих задач — це окремий параметр у client.messages.create(). По-четверте, якщо працюєте з мультитурновим діалогом — зберігайте всю історію повідомлень у масиві messages і передавайте її цілком при кожному запиті, інакше Claude «забуде» контекст.
❓ Часті запитання (FAQ)
1. Чи є Claude Skills окремою платною функцією?
Ні, Skills у контексті цього туторіалу — це не окремий продукт, а техніка використання системного промпту через стандартний API. Ви платите лише за токени за звичайними тарифами Anthropic, жодних доплат немає.
2. Чи можна використовувати ту саму техніку в JavaScript?
Так, абсолютно. Встановіть пакет командою npm install @anthropic-ai/sdk і використовуйте ідентичну структуру з полем system у виклику client.messages.create(). Логіка валідації переноситься один до одного.
3. Яка модель Claude найкраще підходить для цієї техніки?
Для більшості задач оптимальний вибір у 2026 році — claude-opus-4-5 для складних задач аналізу і claude-haiku-3-5 для простих запитів, де важлива швидкість і низька вартість. Haiku коштує приблизно в 25 разів дешевше.
4. Чи зберігає Anthropic мої системні промпти?
За замовчуванням Anthropic може використовувати дані для покращення моделей, але ви можете вимкнути це у налаштуваннях Console в розділі Privacy → Data Usage. Для корпоративних клієнтів на Claude for Enterprise дані не зберігаються взагалі.
5. Що робити, якщо Claude ігнорує частину інструкцій зі Skills?
Перевірте дві речі: по-перше, чи не перевищує системний промпт 300–400 токенів (довші інструкції гірше дотримуються); по-друге, перефразуйте правила від заборони до дозволу — замість «не роби X» пишіть «роби лише Y». Це суттєво підвищує дотримання інструкцій.
🏁 Підсумок
Ви навчилися налаштовувати поведінку Claude через системний промпт-Skill, додавати автоматичну валідацію відповідей і захищати код від типових помилок — все це у рамках одного компактного Python-скрипту. Результат — стабільний, передбачуваний інтерфейс до Claude, який чесно сигналізує про свою невпевненість і не «галюцинує» мовчки.
Прямо зараз відкрийте термінал, виконайте pip install anthropic і скопіюйте шаблон з Кроку 2 — перша робоча версія вашого Claude Skill буде готова за 10 хвилин. Після цього поступово ускладнюйте системний промпт під реальні задачі вашого проєкту.
РОЗСИЛКА
📬 Щотижневий AI-дайджест
Найкращі статті про ШІ та автоматизацію — без спаму, лише суть
Без спаму · Відписатись будь-коли