Как научить Claude спрашивать разрешения перед необратимыми действиями - готовый промпт из документации Anthropic
Удаление файлов, force-push, комментарии в чужом PR - без явной инструкции Claude может сделать это без предупреждения. Вот промпт, который заставляет модель сначала спросить.
По официальной документации Claude Platform, без специальной инструкции Claude Opus 4.6 может предпринимать действия, которые трудно отменить или которые затрагивают общие системы - например, удалять файлы, делать force-push или публиковать что-то во внешних сервисах. Чтобы заставить модель сначала спрашивать разрешения перед потенциально рискованными действиями, документация предлагает готовую инструкцию: просить модель учитывать обратимость и потенциальное влияние своих действий, поощрять локальные обратимые действия вроде редактирования файлов или запуска тестов, но для труднообратимых, затрагивающих общие системы или потенциально разрушительных действий - сначала спрашивать пользователя. Примеры действий, которые требуют подтверждения по официальному списку: разрушительные операции (удаление файлов или веток, удаление таблиц базы данных, rm -rf); труднообратимые операции (git push --force, git reset --hard, изменение уже опубликованных коммитов); операции, видимые другим (публикация кода, комментарии в PR или issues, отправка сообщений, изменение общей инфраструктуры). Отдельная важная часть инструкции: при столкновении с препятствиями модель не должна использовать разрушительные действия как обходной путь - например, обходить проверки безопасности флагом --no-verify или удалять незнакомые файлы, которые могут оказаться чьей-то незавершённой работой.
Какую проблему решает эта инструкция
Без специальной инструкции Claude Opus 4.6 может предпринимать действия, которые трудно отменить или которые затрагивают общие системы - удалять файлы, делать force-push в git или публиковать что-то во внешних сервисах, не спрашивая предварительного подтверждения. Для агентных сценариев, где модель работает с реальным кодом и реальной инфраструктурой, это может привести к необратимым последствиям, если модель просто продолжает выполнять задачу, не останавливаясь на потенциально опасных шагах.
Готовая инструкция для баланса автономности и безопасности
Официальная документация предлагает добавить в промпт инструкцию, которая просит модель учитывать обратимость и потенциальное влияние своих действий: поощрять локальные обратимые действия вроде редактирования файлов или запуска тестов, но для действий, которые трудно отменить, затрагивают общие системы или могут быть разрушительными - сначала спрашивать пользователя, прежде чем продолжать.
Какие действия требуют подтверждения
Официальный список примеров действий, которые стоит явно указать в инструкции как требующие подтверждения: разрушительные операции - удаление файлов или веток, удаление таблиц базы данных, rm -rf; труднообратимые операции - git push --force, git reset --hard, изменение уже опубликованных коммитов; операции, видимые другим - публикация кода, комментарии в PR или issues, отправка сообщений, изменение общей инфраструктуры.
Отдельная часть официальной инструкции прямо запрещает модели при столкновении с препятствиями использовать разрушительные действия как обходной путь - например, обходить проверки безопасности флагом --no-verify или просто удалять незнакомые файлы, которые могут оказаться чьей-то незавершённой работой, вместо того чтобы разобраться, что это за файлы и зачем они там находятся.
Частые вопросы
Что может сделать Claude Opus 4.6 без специальной инструкции по безопасности?
Предпринять действия, которые трудно отменить или которые затрагивают общие системы - например, удалить файлы, сделать force-push или опубликовать что-то во внешнем сервисе.
Какие действия официально считаются разрушительными?
Удаление файлов или веток, удаление таблиц базы данных, rm -rf.
Какие операции считаются труднообратимыми?
git push --force, git reset --hard, изменение уже опубликованных коммитов.
Какие операции считаются видимыми другим и тоже требуют подтверждения?
Публикация кода, комментарии в PR или issues, отправка сообщений, изменение общей инфраструктуры.
Что запрещает инструкция при столкновении с препятствиями?
Использовать разрушительные действия как обходной путь - например, обходить проверки безопасности флагом --no-verify или удалять незнакомые файлы.
Какие действия инструкция, наоборот, поощряет делать без подтверждения?
Локальные обратимые действия - редактирование файлов, запуск тестов.