在你知道该问什么之前，先用 Fable

原文：https://every.to/context-window/use-fable-before-you-know-what-to-ask

今天，我们来探讨为什么 Fable 最犀利的优势在于，它能浮现出那些你根本没意识到的决策。此外，Every 的社交媒体主管 Becky Isjwara 将详细介绍她是如何让 Fable 诊断并修复了一个 Opus 4.8 屡次搞不定的任务；产品负责人 Trevin Chow 则分享了一个名为 /ce-pov 的技能，该技能会强制 AI 对某个新工具的初步印象，经历你项目实际约束的“碰撞测试”。

Signal

用 Fable 发现你的未知

今天是 Fable 5 被包含在 Claude Pro、Max、Team 及特定企业版计划的每周免费额度里的最后一天。从明天起，它将转为按使用量付费的模式。在价格是其“近亲”Opus 4.8 两倍的情况下，问题来了：究竟什么时候才值得调用 Claude 这个昂贵的巨型模型？

人们很容易想把 Fable 留给你手头最大、最繁重的任务。但衡量复杂性的方式远不止任务规模这一种。有些任务之所以难，是因为它们需要对一个既定的计划进行庞大的执行工作。而另一些任务变难，则是因为模型发现最初的目标、基准或标准本身就是错的。一个较小的模型或许能出人意料地处理好第一种情况。而 Fable 的优势，在第二种情况中体现得最为明显。

Anthropic 的技术团队成员 Thariq Shihipar 提供了一种方法，能在 Fable 花时间基于错误的前提执行之前，识别出这第二种类型的难点。他的实战指南展示了如何使用该模型，在任务开始执行前以及工作展开的过程中，浮现出那些任务描述中尚未明确的问题和决策点。

他将此问题描述为“地图与领土”之间的差距。地图是你提供给 Claude 的提示词、技能和上下文。领土则是代码库、现实世界以及两者各自带来的约束。Thariq 把两者之间的鸿沟称为“未知”：也就是 Claude 必须在没有足够信息、不清楚你的意图的情况下做出决策的时刻。借鉴美国前国防部长唐纳德·拉姆斯菲尔德普及的一个框架，Shihipar 区分了“未知的已知”和“未知的未知”。 “未知的已知”指的是一个对你来说过于显而易见、以至于你永远想不起来要写下来的标准，但当你看到它时，你立刻就能认出来。而“未知的未知”则是一个你完全没考虑过的问题——模型可能会在工作过程中遇到它，却没有地图来指引方向。

Every 使用 Fable 的经验正好说明了这两种情况。技术咨询主管 Mike Taylor 把他那本关于 AI 编程框架 DSPy 的完整书稿交给了 Fable。他的请求有明确的边界：通读它，然后告诉他漏掉了什么。但这其中就隐含了一个“未知的已知”。Mike 期望，如果 Fable 能找出一个重大的遗漏，他能立刻识别出来，尽管他无法提前说出那究竟是什么。这里的难点在于评估，而非执行。

Every 的 CEO Dan Shipper 则让 Fable 复盘了长达五周、陷入停滞的文案编辑实验复盘，要求它审查这些工作并“得出你自己的结论”。该模型发现了一个“未知的未知”：Dan 设定的目标是重现主编 Kate Lee 过往编辑的 70%，但在此之前，团队从未衡量过 Kate 本人有多大几率会做出两次相同的编辑。团队花了五周时间来提升一个从未经过验证的目标的性能。Fable 的有用贡献在于，它找出了任务本身的问题。

这些例子拓展了“Fable 级别的任务”的定义。Mike 的任务关键在于一个未言明的标准。Dan 的问题则在于一个未经审视的前提。仅从任务规模来看，两者都不显得特别繁重。

一旦每次向 Fable 发出的请求都开始计费，你的分流依据就应该是“不确定性”和“规模”这两个维度。当目标、约束条件和“好”的标准都已确定时，使用更便宜的模型。当地图尚不完整时，再请出 Fable。

在 Every 和 600 多万开发者信赖的云上加速交付

Kieran Klaassen 在一个下午就构建了 Cora 的第一个原型，并将其部署在了 Render 上。Cora 在 Render 上运行多年，Render 已成为 Every 构建和交付 AI 产品的方式的一部分：简单、可靠的基础设施，从不碍事。

Render 为开发者提供了一个可用于 Web 服务、任务队列、Postgres 数据库、定时任务、AI 工作负载和全栈应用的生产就绪型云平台，无需你花时间管理基础设施。这个平台能在几分钟内交付你的第一个版本，并一直扩展到生产环境。

Every 的读者可以领取 50 美元的 Render 额度，试试这个平台，它深受 Every、Base44、Cognition、Polsia、Basis 及数百万开发者的信赖。

领取 50 美元 Render 额度

盗用这个工作流

让一个模型为其他模型编写使用手册

Every 的社交媒体主管 Becky Isjwara 花了几周时间，试图让 Opus 4.8 将长直播转换成短视频片段。它能找到正确的精彩时刻，但总在音频的某个词中间截断，并且让字幕与声音不同步。上周，她把同样的任务交给了 Fable，并要求它产出一份比视频片段本身更耐用的东西：一个下次可以让更便宜的模型复用的方法。她是这么做的：

• 把任务和失败的尝试一起交给昂贵的模型。 Becky 提供了直播录像、她想要的视频片段样例，以及 Opus 之前犯过的错误。她还说明，一个好的片段可能需要将相隔几分钟的多个瞬间拼接起来。

• 让它把这个方法记录下来。 Fable 先用文本规划每个片段，用每个小节开头和结尾的口语短语来标记它们，然后在代码中将那些短语与单词级的时间戳匹配，并在每次渲染后检查画面帧。Becky 让它把支撑脚本和编辑指令保存在聊天之外的地方。

• 用更便宜的模型测试这本手册。 下次 Becky 需要剪辑视频时，她会先用一个新的 Opus 会话，输入这些指令、脚本和一个新的源文件。只有当格式发生变化，或者这些指令以新的方式失败时，她才会重新请出 Fable。

本周就试试： 把你日常使用的模型经常搞砸的一个重复性任务交给 Fable。在它完成任务后，粘贴以下指令：

把你使用的方法转变成 Opus 能在新例子中遵循的指令。把可重复的、基于规则的步骤放在脚本里。把需要判断的决策放在一个带示例的技能里。定义输入、输出和质量检查标准。先测试一次这个工作流，然后列出任何仍然需要 Fable 的地方。

技能分享

问问你的项目，它怎么看

当你向一个 AI 智能体询问它对某个新库、框架或想法的看法时，它通常会笼统地评判这个东西，而忽略你项目的依赖关系、先前的决策和约束条件。产品负责人、复合工程贡献者 Trevin Chow 一直在 Every 的开源复合工程插件中使用一个名为 /ce-pov 的新技能，因为它能迫使这些建议在接触项目现实后被验证。

这个工作流在代码仓库和由文档、幻灯片或数据构成的项目文件夹中都能使用：

• 框定一个决策。 给 /ce-pov 提供一个外部输入，并说明你需要决定什么。例如：/ce-pov 我们应该在这里采用这个数据库库吗？只给一个链接也行。该技能会检查它，然后主动询问你想做的决策，而不是乱猜。

• 要求有项目内和外部证据。 该技能必须引用一个经过验证的项目事实——比如一个现有的依赖项或集成点——以及至少一个外部来源。在给出最终评级前，它会检查反面证据和历史决策。

• 按评级行事。 每次运行结束时，都会给出五种结论之一：采用、试用、暂停、拒绝或这不关我们的事。然后它会推荐一个计划、一次范围讨论、一个可逆的测试，或者直接叫停。

本周试试看： 打开一个真实项目文件夹，粘贴一个诱人的链接：/ce-pov [链接] 我们应该在这里采用它吗？在看评级之前，先读一读它所引用的项目事实。如果这个技能误解了你的处境，那它的结论就是无效的。

数据点

更便宜的模型赢了

成本低了 13.8 倍

Bridgewater AIA Labs 的研究人员与 Thinking Machines Lab 合作，使用其 Tinker 训练平台，对 Qwen3-235B 模型进行了微调。结果显示，在六项金融任务中，该模型的表现超越了所有他们测试的最前沿模型，而每个任务的推理成本仅为后者的 1/13.8。

当任务中仍充满未知时，Fable 的溢价是值得的。但桥水基金的这一结果表明，在处理重复性高、定义明确的工作时，一个更便宜的专业模型可以打败一个通用的前沿模型。

讨论

“我们在技术预测上大体是对的，但在社会和经济影响上的预测错得离谱。”——Sam Altman，OpenAI 的 CEO，在接受《华尔街日报》采访时说

AI 公司的 CEO 们去年花了很多时间预言，他们产品的强大威力将导致大规模失业。而他们现在给出的、更乐观的新说法是：企业将利用 AI，在不增加人手的情况下承担更多工作，并且随着机器接管了部分岗位，人们会转移到新的角色中去。这与 Dan 的观点一致：当 AI 让代码和文字的生产成本变得极低时，公司会产出多得多的代码和文字，但它们仍然需要工程师和编辑来决定哪些值得保留。悬而未决的问题是，谁能得到那些新的工作——以及这些工作是否会落到那些旧岗位消失的人头上。

核心启示：Fable 的价值峰值，不在于处理规模巨大的任务，而在于在你尚未厘清目标和约束时，精准识别出你认知地图上的盲区。