Три бага в Claude Code: Anthropic опубликовала постмортем

Claude Code действительно поглупел на месяц — и модели тут ни при чём. Anthropic опубликовала постмортем: три отдельных бага жили в harness — обвязке CLI, которая готовит контекст перед отправкой в Messages API. Все три закрыты в Claude Code v2.1.116 от 20 апреля, подписчикам 23 апреля сбросили usage limits.

Таблица по багам: что, когда и какие модели

• Баг 1. Default reasoning effort на medium — 4 марта — 7 апреля. Sonnet 4.6 + Opus 4.6. Фикс: откат дефолта 7 апреля
• Баг 2. Thinking-блоки чистились каждый ход — 26 марта — 10 апреля. Sonnet 4.6 + Opus 4.6. Фикс: Claude Code v2.1.101
• Баг 3. System prompt сжимал ответы до 100 слов — 16 — 20 апреля. Sonnet 4.6 + Opus 4.6 + Opus 4.7. Фикс: Claude Code v2.1.116

Почему это не заметили сразу

В постмортеме Anthropic отдельно подчёркивает: модели они намеренно не деградируют, API и инференс-слой проверили сразу — там всё чисто. Все три проблемы жили в harness — обвязке Claude Code, которая готовит контекст перед отправкой в Messages API.

Три изменения попали к разным пользователям в разные даты — снаружи это выглядело, будто Claude просто иногда глупеет, без чёткой закономерности. Внутреннее использование сотрудниками и автоматические evals (автоматический прогон на тестовых задачах с оценкой качества) проблему поначалу не воспроизводили — отличить шум от реальной деградации было непросто. Первые репорты пришли в начале марта.

Баг 1. Дефолтный reasoning effort опустили с high на medium

Когда Opus 4.6 пришёл в Claude Code в феврале, дефолтным был high effort. Быстро посыпались жалобы: в этом режиме модель иногда думает так долго, что CLI выглядит зависшим, а токены и лимиты уходят быстрее.

4 марта Anthropic переключила дефолт на medium: по внутренним evals интеллект просел незначительно, зато задержка стала предсказуемой, а лимиты расходовались экономнее. В компании признают, что это был неверный компромисс — пользователям ценнее интеллект по умолчанию, а понижать effort удобнее через /effort для конкретных задач. 7 апреля откатили: Opus 4.7 теперь по дефолту на xhigh (внутренняя нотация Anthropic — «extra high»), остальные модели — на high. Баг затронул Sonnet 4.6 и Opus 4.6.

Баг 2. Кэш-оптимизация, которая сбрасывала thinking-блоки

Из всех трёх багов — самый тонкий. Когда Claude рассуждает над задачей, reasoning остаётся в conversation history (истории переписки сессии) — это нужно, чтобы на следующем ходу помнить, зачем он делал предыдущие правки и вызывал инструменты. 26 марта выкатили оптимизацию: если сессия простояла без активности больше часа, при возобновлении старые thinking-блоки (записи внутренних рассуждений в истории) можно выкинуть один раз. Всё равно это cache miss по prompt cache — префикс сессии придётся переотправлять целиком.

Реализация использовала API-хедер clear_thinking_20251015 вместе с keep:1 — оставить один последний блок рассуждений. Баг в логике: чистить должны были однократно при возобновлении сессии, а чистили на каждом ходу до конца процесса. Каждый запрос говорил API: «оставь только последний блок reasoning, остальное выбрось». Эффект усугублялся: если пользователь присылал follow-up прямо во время вызова инструмента, это стартовало новый ход под сломанным флагом — и выбрасывались даже рассуждения текущего хода. Claude продолжал выполнять задачу, но всё хуже помнил, зачем.

Со стороны это выглядело как забывчивость, повторения и странный выбор инструментов. Побочный эффект — постоянные cache miss, из-за которых usage limits расходовались быстрее обычного (это объясняет отдельную серию репортов про «лимиты тают»).

Баг прошёл несколько человеческих и автоматических code review, unit-тесты, e2e-тесты, автоматическую верификацию и dogfooding (внутреннее использование сотрудниками на рабочих задачах). Anthropic отмечает: два не связанных между собой эксперимента — внутренний серверный тест очередей сообщений и побочное изменение в отображении thinking — случайно маскировали проблему в CLI-сессиях сотрудников. Сам баг жил на стыке context management Claude Code, Anthropic API и extended thinking и срабатывал только в corner-кейсе устаревшей сессии. Воспроизведение заняло больше недели.

При разборе инцидента Anthropic натравила свой внутренний Code Review — инструмент, который ревьюит код движком Claude — на те самые PR с багом, сначала на Opus 4.7, потом на Opus 4.6, обоим дав полный контекст репозиториев. Opus 4.7 баг нашёл, Opus 4.6 — нет. Вывод: Code Review научится подтягивать связанные репозитории как контекст, и эта версия доедет до пользователей. Фикс бага — в Claude Code v2.1.101 от 10 апреля.

Баг 3. System prompt резал ответы до 100 слов

У Opus 4.7 на старте есть заметная черта — он ощутимо многословнее предшественника. Это помогает на сложных задачах, но раздувает output-токены. Anthropic пробовала несколько способов это сгладить: дообучение модели, промптинг и переработку thinking UX — и среди прочего выкатила строчку в system prompt Claude Code к релизу Opus 4.7 16 апреля:

Length limits: keep text between tool calls to ≤25 words. Keep final responses to ≤100 words unless the task requires more detail.

На внутренних evals регрессий не было — несколько недель тестировали и выкатили в релиз. Когда расследование дошло до ablations (удаление строк system prompt по одной и замер эффекта) на расширенном наборе evals, выяснилось: именно при этой строчке качество просаживалось на 3% на Opus 4.6 и 4.7. Откатили в Claude Code v2.1.116 от 20 апреля. Баг затронул Sonnet 4.6, Opus 4.6 и Opus 4.7.

Что меняют

Чтобы такие истории не повторялись, Anthropic меняет процесс:

• Больше сотрудников будут использовать ровно тот публичный билд Claude Code, что и пользователи — не internal-тестовый
• Code Review научится подтягивать связанные репозитории как контекст — и эта версия доедет до пользователей
• Жёстче контроль system prompt: на каждое изменение — per-model evals и ablations
• Новый инструментарий для ревью и аудита изменений system prompt
• Для изменений, способных зацепить качество модели, — soak-период (выдержка на узком срезе пользователей), расширенный набор evals и постепенный раскат
• Обновлённые инструкции в CLAUDE.md: model-specific изменения строго привязаны к конкретной модели

Что делать прямо сейчас

Три конкретных шага:

• Проверить версию — claude --version. Нужно v2.1.116 или новее
• Если ниже — обновить: npm install -g @anthropic-ai/claude-code@latest
• Лимиты обновятся автоматически при следующем запросе — отдельных действий не нужно

Если в марте — апреле казалось, что Claude «поглупел» — это вам не показалось. Если после обновления всё равно видите странное поведение — шлите репорт через /feedback с конкретным воспроизводимым примером: именно такие репорты помогли Anthropic выйти на все три бага.

Общий вывод для тех, кто строит агентные системы: баги в обвязке бывают не менее разрушительными, чем проблемы в самой модели. И заметно труднее ловятся — выглядят как «модель иногда странно себя ведёт», а не как чёткая ошибка в логе. Саймон Уиллисон пишет, что оставляет сессии Claude Code открытыми на часы или дни и потом возвращается (у него прямо сейчас 11 таких по ps aux | grep claude) — ровно тот режим, в котором баг №2 был особенно заметен.

Выводы

Постмортем Anthropic разом показывает три жанра сбоев в агентных системах: неверно выбранный компромисс между скоростью и интеллектом, тонкий баг в API-логике, который мимикрировал под „модель забывает", и system prompt, который прошёл все evals, но провалил продакшен. Все три закрыты к 20 апреля, подписчикам сбросили лимиты. И отдельный практический вывод: /feedback с конкретным примером — реально работающий канал, именно им выцепили проблемы, которые внутренние инструменты проспали.