2026年7月6日，Anthropic的Claude Code工程師Thariq Shihipar公開發布了《A Field Guide to Claude Fable: Finding Your Unknowns》。這不是又一份提示詞技巧文件。就在一個月前，Thariq用Claude Code從零剪輯Fable 5發布影片，過程中他讓模型掃描自己「不知道自己不知道」的盲區，學完了調色知識。這套方法論標誌著AI協作的核心矛盾發生了轉移：當Fable 5把系統提示詞砍掉80%、模型智商不再是瓶頸後，產出質量的天花板變成了開發者自身澄清未知的能力。

Claude Fable 實地指南：發現你的未知｜Anthropic 官方部落格

地圖不是疆域：砍掉80%提示詞後的新瓶頸

2026年6月9日，Anthropic正式發布Claude Fable 5與Mythos 5模型。Fable 5為帶安全分類器的廣泛發布版，Mythos 5為解除部分限制的受邀版。7月發布的實地指南，本質上是對Fable 5時代工作流的官方確認。

在傳統的AI回應模式中，開發者習慣把「地圖」畫厚。面對不夠聰明的模型，開發者需要在系統提示詞中堆砌詳盡的Few-shot示例和嚴格約束。Claude Code原系統提示詞一度達到65k Token。Fable 5上線後，Anthropic直接刪減了80%的系統提示詞，策略從「給約束」轉向「給上下文」。

這種刪減不是隨意的壓縮，而是對模型能力躍升的直接回應。65k Token的系統提示詞中，包含了大量關於程式碼風格、檔案操作規範、安全邊界的硬性規則。這些規則在弱模型時代是必要的兜底機制，防止模型在長會話中偏離軌道。但Fable 5的推理能力已經足夠強大，能夠在沒有這些硬性約束的情況下，根據上下文自行判斷正確的操作路徑。Anthropic的工程師在內部測試中發現，保留過多硬性規則反而會干擾Fable 5的決策。模型會為了遵守某條規則而繞過更優的解決方案，或者在規則之間存在衝突時陷入猶豫。

這種轉變基於一個殘酷的事實：Fable 5足夠聰明，一旦開發者的「地圖」沒標出「未知」，它會用極高的效率在錯誤的方向上狂奔。在弱模型時代，開發者拼命把Prompt寫厚是為了兜底，防止模型理解偏差。但在Fable 5時代，過厚的約束反而成了枷鎖。如果系統提示詞規定了太多死板的規則，Fable 5可能會為了遵守規則而繞過實際目標。Anthropic刪減提示詞的舉動，實際上是在解放模型，讓它依賴上下文和自身的推理能力，而不是機械的規則匹配。

傳統模型遇到模糊指令時，通常基於行業最佳實踐「腦補」執行，或者直接報錯拒絕。這導致開發者在程式碼合併後經常發現AI引入了隱蔽的架構偏差。一個典型的場景是：開發者在Prompt中描述了一個使用者認證模組的需求，但沒有明確指定密碼加密演算法。傳統模型會默認使用MD5或SHA1等常見但已不安全的演算法，因為它在訓練資料中見過大量這類實現。開發者直到安全審計時才發現這個問題。Fable 5改變了這一邏輯。產出質量的瓶頸從模型推理能力，轉移到了開發者自身的領域專長與定義未知的能力。如果開發者無法清晰界定任務的邊界和潛在風險，Fable 5的強大推理能力反而會加速錯誤程式碼的生成。

四類未知矩陣：AI如何反問開發者

實地指南的核心是將任務問題劃分為四類：已知的已知、已知的未知、未知的已知與未知的未知。結合Claude Code，這四類未知映射到具體的提示模式，覆蓋了從實現前到實現後的完整生命週期。

**已知的已知對應實現計畫。**在大型程式碼庫重構中，開發者明確知道哪些模組需要改動，但不確定改動的先後順序。開發者可以要求AI把最可能變動的資料模型放前面審閱，機械重構放後面。這確保了AI在執行前先與開發者對齊核心架構，避免在底層介面未定時就生成了大量上層業務程式碼。在一個包含5000萬行Ruby程式碼的Stripe級別程式碼庫遷移中，這種排序策略能夠顯著減少返工。如果AI先完成了上層業務邏輯的改寫，隨後底層資料模型發生變動，所有上層程式碼都需要重寫。

**已知的未知對應面試。**這是Fable 5最具顛覆性的模式之一。AI不再被動等待指令，而是反過來面試開發者。在設計一個高併發的API介面時，開發者可能清楚自己需要處理大量請求，但對具體的限流策略或快取一致性方案沒有定論。開發者可以要求AI：「優先問那些我的回答會改變架構設計的問題。」AI可能會反問關於資料一致性要求、峰值QPS預期或降級策略的具體指標。透過這種反問，AI逼迫開發者把模糊的想法具象化。

在一個微服務架構的設計場景中，開發者告訴Fable 5需要實現一個訂單服務。Fable 5不會直接開始寫程式碼，而是會反問：訂單狀態變更是否需要跨服務交易保證？如果需要，是採用Saga模式還是兩階段提交？庫存扣減是在訂單創建時預扣還是支付成功後實扣？這些問題中，每一個的回答都會直接改變最終的架構設計。開發者在回答這些問題的過程中，實際上是在完成自己的架構設計。

**未知的已知對應頭腦風暴與原型。**針對「看到才知道想要什麼」的審美或直覺問題，開發者可以讓AI用HTML生成多個不同方向的原型供人類做選擇題。在開發一個資料看板時，開發者可能無法用語言精確描述理想的互動佈局。讓Fable 5生成四個不同側重點的HTML原型，開發者可以直觀地從中挑選並組合元素。這種模式承認了人類認知的局限性，用快速原型彌補語言描述的不足。

**未知的未知對應盲點掃描。**開發者直接指令AI：「幫我找出我在這個模組裡的未知未知。」在處理一個看似簡單的支付回呼邏輯時，開發者可能忽略了併發請求導致的重複扣款風險，或者第三方閘道的超時重試機制。AI會基於對程式碼庫的全局視角，指出開發者可能忽略的邊界條件、歷史遺留坑點或潛在的安全隱患。

Thariq在剪輯Fable 5發布影片時，正是利用了盲點掃描。他對調色一無所知，透過讓Claude Code掃描影片處理流程中的盲區，模型主動指出了色彩空間轉換和LUT應用的關鍵知識點。具體操作流程是：Thariq首先讓Claude Code載入影片檔案並分析其色彩元數據，然後指令模型「找出我在調色流程中可能忽略的技術細節」。Claude Code回傳了一份清單，包括Rec.709與Rec.2020色彩空間的差異、Log編碼與線性編碼的轉換時機、以及LUT檔案在不同節點應用的效果差異。Thariq根據這份清單逐一學習，將「未知的未知」轉化為「已知」，最終完成了影片剪輯。

在實作過程中，Fable 5要求邊做邊記。開發者需要維護一個implementation-notes.md檔案，記錄AI偏離計劃的保守決策。當AI在實作某個功能時發現原有計劃不可行，轉而採用了降級方案，這一決策會被記錄在案。這保證了人類始終掌握專案的實際進展，而不是讓AI在暗箱中自行演化。在一個資料庫遷移專案中，AI可能發現原計劃使用的批次匯入工具在目標資料庫版本中存在已知Bug，轉而採用了逐條匯入的保守方案。這個決策會被記錄在implementation-notes.md中，開發者在後續審查時可以理解AI的判斷邏輯，並在必要時推翻它。

最反常識的操作出現在驗收環節。長對話結束後，僅看Code Diff無法理解AI的深層改動。Thariq要求Claude生成一份包含上下文和直覺解釋的HTML報告，並在底部附帶一套測驗題。只有把測驗全做對了才會合併程式碼。這徹底顛覆了「人考AI」的傳統範式，用AI的反問彌補人類在長對話中對暗箱操作的理解缺失。測驗題可能包括：「為什麼在這個函式中使用了樂觀鎖而不是悲觀鎖？」「這個快取失效策略在什麼場景下會導致資料不一致？」開發者必須能夠準確回答這些問題，才能證明自己理解了AI的改動。

Fable 5與Mythos 5的雙軌制：能力釋放與安全回退

Anthropic同時發布Fable 5和Mythos 5，反映了能力釋放與安全管控之間的平衡。Mythos 5作為Project Glasswing專案的一部分，解除了網路安全等部分限制，面向受邀使用者。Fable 5作為廣泛發布版，內建了嚴格的安全分類器。

Fable 5遇到網路安全、生化等敏感問題時，會自動回退至Claude Opus 4.8響應。官方稱在早期資料中，超過95%的Fable會話不會觸發任何安全回退，誤殺率低於5%。

這種雙軌制保證了Fable 5能夠安全地推向大眾市場，但也帶來了體驗上的割裂。部分開發者在進行正常的底層網路程式設計或生化研究時，會遭遇強制回退。例如，在編寫一個涉及網路封包嗅探的安全稽核工具時，Fable 5可能會觸發安全分類器，導致原本由Fable 5主導的高效工作流程被打斷，模型能力瞬間降級。開發者在編寫防火牆規則測試指令碼時，也可能因為程式碼中包含連接埠掃描邏輯而被回退到Opus 4.8。雖然官方承諾在後續更新中收窄分類器範圍，並推出針對科研人員的可信存取計劃，但在當前階段，安全回退依然是開發者回饋的痛點之一。

Token燃燒與互動疲勞：主動釐清的代價

主動釐清未知機制在實際使用中帶來了顯著的成本與體驗問題。

**Token燃燒是開發者回饋最集中的痛點。**Fable 5強制開啟自適應思考，不支援關閉思維鏈，只能透過effort參數控制思考深度。Reddit社群大量使用者抱怨Fable 5「eating my Max plan」，因為輸出極長且思考始終開啟，導致Token消耗失控。Fable 5定價為輸入10美元/百萬Token，輸出50美元/百萬Token，預設100萬Token上下文，這種消耗速度對個人開發者構成了實質性的經濟壓力。有使用者回饋，在進行一次中等規模的程式碼重構時，Fable 5的思考過程和反問輸出在幾分鐘內就消耗了數十萬Token。在Max 20x訂閱方案下，有使用者報告Fable 5的消耗速度達到每分鐘2美元，遠超預期。

社群回饋顯示，Fable 5的medium effort往往已經超越了Opus 4.8的max effort。這意味著在處理簡單任務時，Fable 5依然會消耗大量算力進行深度思考。對於預算有限的開發者，必須嚴格使用effort參數，或在簡單任務中避免使用Fable 5。一些開發者總結了實戰經驗：對於明確的CRUD操作或簡單的字串處理，使用low effort即可；對於涉及架構設計的複雜任務，才啟用medium或high effort。但即便如此，Fable 5的Token消耗仍然顯著高於前代模型。

**互動疲勞同樣困擾著開發者。**讓AI面試開發者雖然能提高架構設計品質，但大幅增加了互動輪次和時間成本。對於目標明確、路徑清晰的CRUD任務，這種蘇格拉底式的協作反而是負擔。開發者需要不斷回答AI的問題，才能推動程式碼生成。在快節奏的敏捷開發環境中，這種頻繁的互動打斷可能導致開發效率下降。一個簡單的使用者註冊功能，如果使用Fable 5的面試模式，可能需要回答5到10個關於密碼策略、郵箱驗證、使用者角色的問題，而開發者可能只是想快速生成一個原型。Fable 5的價值在複雜工程中的盲點排查，而非所有場景的通用替代。

**安全分類器的誤殺也影響了工作流程的連貫性。**雖然官方承諾在後續更新中收窄分類器範圍，但在當前階段，正常開發流程被安全回退打斷的情況依然存在。這種體驗上的割裂，讓部分開發者對Fable 5的穩定性產生質疑。在安全稽核、滲透測試工具開發、生化資料分析等特定領域，開發者可能需要頻繁切換到Mythos 5或等待可信存取計劃的審核，這增加了工作流程的複雜度。

從指令工程到未知管理：開發者的新技能樹

Claude Fable的推出和實地指南的發布，傳遞了一個明確的訊號：模型已經足夠聰明，現在輪到開發者了。

開發者需要培養的新能力不是寫更厚的Prompt，而是定義未知、管理不確定性、在AI的反問中識別自己的盲點。這是一種從「指令工程」到「未知管理」的技能遷移。OmniTools認為，這種工作流程的重塑比單純的參數升級更具顛覆性。

在傳統的指令工程中，開發者關注如何把需求描述得更清晰、更無歧義。而在未知管理中，開發者需要承認自己的認知局限，並利用AI的反問能力來填補這些局限。這要求開發者具備更強的領域專長，能夠在AI提出問題時給出準確的判斷。當AI反問「這個支付回呼是否需要處理網路抖動導致的重複通知」時，開發者必須能夠判斷這個問題的嚴重性，並給出合理的回答。如果開發者本身對支付系統的邊界條件缺乏理解，AI的反問也無法彌補這個知識缺口。

但這套機制並非萬能。它的適用邊界在複雜工程與系統設計，對簡單任務是過度設計。當 AI 不再假裝全知全能，開發者必須直面自己認知中的空白。Fable 5 的主動澄清機制，本質上是用交互成本換取程式碼品質。對於願意投入時間進行架構思考的開發者，這套機制能顯著降低後期返工的風險；而對於追求快速迭代的團隊，這套機制可能成為效率的絆腳石。

從 Fable 5 到 Mythos 5 的雙軌制，再到實地指南的方法論沉澱，Anthropic 正在重新定義 AI 與開發者的協作邊界。模型不再是被動的執行工具，而是具備主動思考能力的協作夥伴。開發者的角色從「寫指令的人」轉變為「管理未知的人」。這種轉變要求開發者重新審視自己的工作流，在效率與品質之間找到新的平衡點。