Anthropic Claude 5 и LLM 0.32: Новая эра агентов

Мир больших языковых моделей (LLM) продолжает двигаться с невероятной скоростью, стирая грань между простым чатом и полноценным программным обеспечением. 4 августа 2026 года Саймон Уиллисон (Simon Willison), один из самых влиятельных голосов в сообществе разработчиков AI, анонсировал выход llm-anthropic 0.26 и обновление базовой библиотеки LLM до версии 0.32. Это не просто очередная техническая правка; это фундаментальный сдвиг в том, как мы взаимодействуем с искусственным интеллектом. Теперь доступ к моделям Anthropic, включая новую линейку Claude 5, становится более мощным, прозрачным и интегрированным в рабочие процессы.

В этой статье мы подробно разберем, что изменилось, почему серверные инструменты (server-side tools) важнее новых параметров мышления, и как разработчикам в России и других регионах адаптироваться к новой архитектуре Agentic SaaS. Мы посмотрим на код, разберем новые модели — Fable 5, Sonnet 5 и Opus 5 — и объясним, как теперь работает потоковая передача данных (streaming) для рассуждений и вызова инструментов.

01Новая линейка моделей: Fable 5, Sonnet 5 и Opus 5

Центральным событием обновления стала поддержка трех новых моделей от Anthropic. Каждая из них занимает свою нишу в экосистеме Claude 5, предлагая разный баланс между скоростью, стоимостью и интеллектуальной глубиной.

Claude Sonnet 5 остается рабочей лошадкой для большинства задач. Это модель среднего уровня, которая отлично справляется с генерацией текста, анализом данных и кодингом. Однако ключевое изменение здесь — поведение по умолчанию. В отличие от предыдущих версий, где «мышление» (reasoning) часто требовало явного включения, Sonnet 5 теперь по умолчанию использует режим рассуждения. Это означает, что модель тратит немного больше времени на генерацию, но выдает более структурированные и логически обоснованные ответы. Для разработчиков, работающих из РФ, это особенно важно, так как повышает предсказуемость результата при работе через прокси или локальные инференс-серверы.

Claude Opus 5 — это флагманская модель для сложных задач. Она предназначена для глубокого анализа, сложного программирования и научных исследований. Как и Sonnet 5, Opus 5 по умолчанию включает режим мышления. Однако, в отличие от Fable 5, для Opus 5 можно отключить этот режим, если вам нужна максимальная скорость и минимальная стоимость, а глубина рассуждений не критична. Это дает гибкость: вы можете переключаться между «быстрым ответом» и «глубоким анализом» в зависимости от контекста задачи.

Claude Fable 5 — самая новая и, возможно, самая интересная модель. Она всегда работает в режиме мышления. Это не баг, а фича. Fable 5 создана для задач, где критически важна логическая цепочка. Если вы просите модель решить сложную математическую задачу или написать сложный алгоритм, Fable 5 не будет пытаться «угадать» ответ, а сначала проведет внутреннюю дискуссию. Для пользователей, запускающих модели локально или через российские облачные провайды, это означает, что вы всегда получаете максимально качественный результат, но должны быть готовы к увеличению времени отклика.

02Революция в управлении мышлением: thinking и thinking_effort

Одним из самых заметных изменений в LLM 0.32 стала упрощенная система управления «мышлением» модели. Ранее пользователи сталкивались с множеством сложных параметров, таких как thinking_budget, thinking_display и thinking_adaptive. Это создавало путаницу и затрудняло настройку.

Теперь система сведена к двум основным параметрам: thinking и thinking_effort. Параметр thinking принимает значения low, medium, high, xhigh или max. Это позволяет тонко настраивать глубину рассуждений модели. Например, для простых вопросов достаточно low, а для написания сложного кода — high или max.

Параметр thinking_effort позволяет контролировать, сколько вычислительных ресурсов модель тратит на процесс рассуждения. Это особенно полезно для оптимизации затрат, если вы используете API через российские прокси-серверы или локальные кластеры, где ресурсы могут быть ограничены.

Кроме того, был добавлен флаг --hide-reasoning (или -R). Он позволяет скрыть процесс рассуждения из вывода и логов. Это полезно, если вы хотите видеть только финальный ответ, не загромождая интерфейс внутренними мыслями модели. Однако помните, что даже при скрытии вывода, модель все равно использует эти рассуждения для формирования ответа, поэтому качество результата не пострадает.

03Серверные инструменты: WebSearch, WebFetch, CodeExecution и MCP

Самым значимым техническим изменением в релизе llm-anthropic 0.26 стала поддержка серверных инструментов. Ранее инструменты, такие как поиск в интернете или выполнение кода, часто требовали сложной настройки на стороне клиента. Теперь они интегрированы на серверном уровне, что делает их использование проще и безопаснее.

Поддерживаются четыре основных типа инструментов:

• WebSearch: Позволяет модели искать информацию в интернете в реальном времени. Это критически важно для получения актуальных данных, особенно в условиях, когда локальные базы знаний могут быть устаревшими.
• WebFetch: Позволяет модели загружать и анализировать содержимое веб-страниц. Это полезно для глубокого анализа конкретных источников.
• CodeExecution: Позволяет модели выполнять код. Это открывает возможности для автоматизации задач, требующих вычислений или работы с внешними системами.
• AnthropicMCP: Поддержка Model Context Protocol (MCP). Это стандарт, который позволяет моделям взаимодействовать с различными источниками данных и инструментами через единый интерфейс.

Эти инструменты доступны через интерфейс командной строки с помощью флага -T или через Python-интерфейс с параметром tools=. Например, чтобы использовать поиск в интернете, вы можете выполнить команду:

llm -T WebSearch "Какие последние новости в сфере AI в России?"

Это значительно упрощает работу с моделями, так как вам не нужно писать отдельный код для интеграции с поисковыми системами или исполнителями кода. Все это уже встроено в библиотеку.

04Потоковая передача данных: typed events

В версии LLM 0.32 была полностью переработана система потоковой передачи данных (streaming). Теперь рассуждения, вызовы инструментов и результаты работы инструментов передаются как «typed events» (типизированные события). Это означает, что каждый фрагмент данных имеет четкий тип, что позволяет клиентам (например, веб-интерфейсам или CLI) правильно обрабатывать каждый шаг процесса.

Ранее, когда модель «думала» или вызывала инструмент, пользователь видел либо пустой экран, либо сплошной поток текста, который было сложно интерпретировать. Теперь же вы можете видеть, что модель находится в состоянии «мышления», затем «вызывает инструмент», и наконец, «получает результат». Это делает взаимодействие с AI более прозрачным и предсказуемым.

Для разработчиков это означает возможность создания более сложных интерфейсов, которые могут отображать прогресс выполнения задачи в реальном времени. Например, вы можете показать пользователю, что модель ищет информацию в интернете, а затем, когда поиск завершен, показать результаты.

05Миграция с предыдущих версий: что нужно знать

Если вы использовали предыдущие версии LLM, вам нужно быть внимательным при обновлении. Несколько параметров были удалены или изменены:

• Удалены: thinking_budget, thinking_display, thinking_adaptive, а также старые опции -o web_search*.
• Изменены: Поведение по умолчанию для моделей Sonnet 5 и Opus 5 (теперь включено мышление). Для Fable 5 мышление всегда включено и не может быть отключено.
• Новые флаги: --hide-reasoning (или -R) для скрытия процесса рассуждения.

Чтобы избежать ошибок, рекомендуется проверить свои скрипты и конфигурационные файлы после обновления. Особенно это касается тех, кто использует автоматизированные системы, которые зависят от конкретного формата вывода модели.

06Что это значит на практике

Для разработчиков и энтузиастов AI в России эти изменения открывают новые возможности. Во-первых, серверные инструменты позволяют создавать более сложные агенты, которые могут самостоятельно искать информацию, выполнять код и взаимодействовать с внешними системами. Это особенно важно в условиях, когда доступ к некоторым международным сервисам может быть ограничен.

Во-вторых, улучшенная потоковая передача данных делает взаимодействие с моделями более удобным. Вы можете видеть, что происходит «под капотом», что помогает отлаживать сложные сценарии использования.

В-третьих, упрощенная система управления мышлением позволяет тонко настраивать баланс между качеством ответа и скоростью выполнения. Это особенно полезно для оптимизации затрат, если вы используете облачные сервисы или локальные ресурсы.

Наконец, поддержка Model Context Protocol (MCP) открывает путь к созданию экосистем, где модели могут легко взаимодействовать с различными источниками данных. Это шаг к более открытой и интероперабельной AI-экосистеме, где инструменты и данные могут быть легко интегрированы в рабочие процессы.

В заключение, релиз llm-anthropic 0.26 и LLM 0.32 знаменует собой новый этап в развитии больших языковых моделей. Переход к серверным инструментам, улучшенная потоковая передача данных и упрощенное управление мышлением делают взаимодействие с AI более мощным, прозрачным и удобным. Для разработчиков это означает новые возможности для создания сложных приложений, а для пользователей — более качественные и предсказуемые результаты.

Источник: Simon Willison ↗