Новые ограничения Claude Fable 5: почему рутинные задачи по программированию теперь чаще блокируются

Я — Денис Шохирев, архитектор AI из Фрайбурга, Германия. В DennisCraft AI Studio за последние полгода я внедрил 14 production-агентов для DACH-клиентов на стеке Claude, Supabase, n8n, Doppler и self-hosted Postgres. Недавно столкнулся с новой реальностью: Claude Fable 5 начал блокировать даже обычные задачи по генерации кода для backend-автоматизации. То, что раньше генерировалось за минуты, теперь требует обходных путей — и это не баг, а политика.

Что изменилось в Claude Fable 5: ключевые ограничения

Блокировки по шаблонам задач

Claude Code теперь чаще прерывает генерацию на рутинных задачах — например, CRUD-операции для Postgres, шаблоны API-интерфейсов или автоматизация пайплайнов через n8n. Система явно видит «опасные паттерны» и останавливает выполнение, даже если задача типовая и безопасная.

На 3 последних внедрениях у меня Claude отказался генерировать миграции базы данных с причиной «Potential security concern», даже когда речь шла лишь о добавлении стандартных полей в Postgres. Диалог превращается в игру в угадайку: какой промпт пройдет, а какой вызовет блокировку.

Фильтрация по ключевым словам и структурам

По наблюдению, Claude Fable 5 стал чувствительнее к словам из OWASP Top 10 (SQL-инъекции, XSS, Path Traversal), а также к шаблонам из Bandit или semgrep. Даже если задача — написать типичный handler для Supabase, в ответах часто указывается, что выполнение невозможно из-за внутренней политики безопасности.

Ужесточение для интеграций и пайплайнов

Раньше можно было за один проход сгенерировать YAML для n8n или docker-compose для backend. Теперь Claude блокирует такие задачи, ссылаясь на риск автоматизации критичных операций. Например, при генерации пайплайна с интеграцией Doppler и Supabase, Claude выдает отказ без объяснения деталей. Причина — общая политика Anthropic по ограничению автоматизации инфраструктуры.

Почему это происходит: мотивация и риски для вендора

Реакция на реальные инциденты и отчеты

В 2024 году Anthropic усилил контроль из-за случаев, когда через Claude генерировали уязвимый или вредоносный код (см. OWASP AI Security Guidance, 2024). По данным Stanford CodeML (2024), 38% LLM-генерируемого Python-кода содержат CWE-89 паттерны (SQL-инъекции). Для вендора это прямой риск: если через их API кто-то автоматизирует production-инцидент, ответственность частично ложится на платформу.

Прессинг регуляторов на европейском рынке

В Европе законы типа EU AI Act и NIS2 требуют, чтобы провайдеры AI доказывали, что их системы не способствуют нарушению безопасности и приватности. Anthropic минимизирует риски, блокируя даже намек на «опасные» задачи, чтобы не попасть под расследование или запрет. Этот тренд заметен у всех крупных вендоров: OpenAI, Google и даже open-source модели ужесточают фильтры.

Техническая реализация: что именно фильтруется

Claude Fable 5 явно использует несколько уровней фильтрации:

• Анализ лексем в промпте и output (ключевые слова, паттерны из Bandit, semgrep, OWASP)
• Сигнатуры для обнаружения автоматизации инфраструктуры (Docker, n8n, Supabase, Doppler)
• Проверка на генерацию кода, который может изменить состояние системы (DDL, миграции, API-интеграции)

В результате даже вполне легальные задачи (например, генерация CRUD API для Postgres) иногда попадают под блокировку.

Как обойти ограничения: рабочие практики на проде

1. Разбивать задачи на атомарные шаги

Claude чаще блокирует длинные, комплексные промпты. Разделяю задачу на элементарные шаги: вместо «Сгенерируй CRUD для заказов с интеграцией Supabase и Doppler» — сначала только модели, потом только handler, потом — интеграция.

# Пример: получить только модель для Postgres
prompt = "Напиши SQL CREATE TABLE для модели 'Order' с полями id, customer_id, status, created_at."
response = claude.generate(prompt)
# Затем — отдельный промпт для API handler
prompt2 = "Напиши FastAPI endpoint для создания записи в таблице 'Order'."
response2 = claude.generate(prompt2)

2. Использовать редакторы и pre-commit проверки

После получения кода от Claude, прогоняю его через bandit, semgrep и gitleaks — особенно если задача касается работы с базой данных или API-интеграций.

# Проверка кода на типовые уязвимости
bandit -r ./generated_code/
semgrep --config=auto ./generated_code/
gitleaks detect --source=./generated_code/

3. Использовать open-source альтернативы для нестандартных задач

На задачах, которые Claude заведомо не пропустит (например, генерация docker-compose с секретами), использую open-source LLM (Llama 3, Mistral), развернутый локально. При этом всегда гоняю результат через те же security-checker’ы — иначе смысл теряется.

4. Встроить человеческий review в пайплайн

Самый надежный этап — ручная проверка. Даже если Claude или open-source модель выдала валидный код, перед merge в прод — просмотр глазами, фокус на паттерны из OWASP Top 10.

Влияние на DACH-проекты: что теперь нельзя автоматизировать

Инфраструктура и миграции

Автоматическая генерация миграций, docker-compose, YAML для n8n — теперь часто блокируется. Любая задача, где Claude может «случайно» сгенерировать опасные команды — под прицелом.

Генерация кода с доступом к секретам

Claude отказывается генерировать код, который явно работает с переменными окружения, API-ключами, или автоматизирует их передачу через Doppler/Supabase.

Рутинные CRUD и API-интеграции

Даже простые CRUD-операции, если промпт содержит намек на автоматизацию или массовое изменение данных, часто блокируются. Придется дробить задачи и обходить фильтры.

FAQ

Почему Claude блокирует даже простые задачи по генерации кода?

Anthropic минимизирует юридические и регуляторные риски, автоматически останавливая все, что может быть потенциально опасно или не однозначно трактуется.

Есть ли способ полностью отключить фильтры?

Нет. На уровне API и SDK фильтры встроены. Остается только дробить задачи и использовать альтернативные модели для сложных случаев.

Какой стек статического анализа вы используете?

Использую связку bandit, semgrep, gitleaks для Python/FastAPI и API-интеграций. Для Postgres — ручной review SQL-скриптов.

Какие альтернативы Claude для генерации инфраструктурного кода?

Llama 3, Mistral — open-source LLM, которые можно разворачивать локально без фильтров. Но качество может быть ниже, всегда нужен review.

Какие задачи сейчас проще делать руками, чем через Claude?

Генерация docker-compose, сложные миграции, любые пайплайны с секретами — проще и быстрее вручную или через локальные модели.

На каком этапе ваша LLM-процедура чаще всего ловит уязвимости — статический анализ, runtime sandbox или человеческий review? Мне реально интересно.

Я бесплатно делаю 30-минутный аудит стека для основателей в DACH, кто строит AI в регулируемых нишах. Напишите в LinkedIn или на @ger_dennis_ai.