Fable 就是 CEO：为什么 AI 模型开始像公司一样运作
工程师 Marcus Moretti 最近开始用一种很形象的方式来描述 Anthropic 的模型体系——他把它比作一张公司组织架构图。“Fable 是 CEO，Opus 5 是资深工程师，Sonnet 5 则是初级工程师或分析师。”
这种比喻的背后，揭示的是一个正在发生的深层转变。曾几何时，前沿模型被包装成昂贵但无所不能的通才。但现在，“我们正走向一种‘模型混合体’的结构，”平台负责人 Willie Williams 说。各大实验室正在构建由多个专用模型组成的系统，让它们在同一套框架内协同工作。一个好的编排者所具备的素质，并不等同于一个好的执行者；一个擅长写作的模型，在调试代码时可能就力不从心。因此，模型开始走向专业化。
这意味着，AI 的发展正从追求“一个模型解决所有问题”，转向构建一个能够各司其职的模型团队。
Willie 进一步解释说：“投入在一个任务上优化的每一份算力，都是从其他低优先级任务中节省下来的。”专业化不仅能提升效能，还能通过将常规工作分流给更便宜的模型来降低成本。就像你不会让 CEO 去调整一份电子表格的格式，你同样也不应该让 Fable 去批量重命名文件。
你懂“特工语言”吗？
这种用组织架构图来理解模型的方式，或许能解释为什么某些 AI 的输出内容，读起来不像是写给人类看的。沃顿商学院教授 Ethan Mollick 观察到，在长时间的任务中，Fable 会发展出一种独特的“方言”——当 AI 智能体彼此交流时，“Claudish 语言变得越来越 Claudish”。进展报告退化成了标签、碎片和信息量极低的技术速记。
“Claudish”可能是为了节省 token 而进化出的一种策略。（截图由 Laura Entis 提供。）
Willie 也提到了 Cora 的总经理 Kieran Klaassen 提出的一个未经证实的理论：Anthropic 主要是将 Opus 5——一个偶尔才华横溢但脾气古怪的模型——作为 Fable 手下的一个子智能体来训练的。如果交流的另一方是另一个模型，那么任何优美的人类语言都是对算力的浪费。“Opus 拥有让人类觉得生硬的语言模式这件事根本不重要，因为它主要是在跟 Fable 对话，”Willie 说。
换句话说，在这些 AI 智能体构成的封闭协作系统里，人类的阅读体验从一开始就不是被优先考虑的对象。
但问题恰恰出在，当这些速记语言最终被推到人类面前时。咨询主管 Natalia Quintero 最近用 Fable 来分析一个大型数据集，结果她发现，子智能体生成的报告读起来“简直是天书”。
也许她本来就不是这些报告的目标读者。但更麻烦的是，就连 Fable 亲自撰写的备忘录草稿，要理解起来也同样费劲。
她的解决办法是：创建了一组专门的技能指令，来把智能体的输出“翻译”回正常的人类英语。
而这种“Claudish”现象并非 Claude 所独有。当 GPT-5.6 Sol 返回了一份他完全看不懂的解释时，Monologue 的总经理 Naveen Naidu 采用了一种技术含量更低，但可能也更根本的解决方案。
他给出的提示词很简单：
我不理解这里的问题所在。你能帮我把它理解清楚吗？
这个提示词迫使智能体必须去解释它自身的推理过程。Naveen 由此确立了一条核心原则：“我可以把思考外包出去，但我不能把理解也外包出去。”
这揭示了，在人机协作的链条中，最关键的最后一公里永远是人类的认知把关。无论模型多么强大，放弃理解就等于放弃了主导权。
核心启示：当 AI 模型开始为了彼此的高效协作而牺牲对人类的可读性时，人类用户必须学会主动“打断”机器的对话，并要求它们用我们的语言来解释它们的思考，而不是被动接受它们的内部行话。
Fable as CEO 的发芽报告
材料核心
AI 模型正在从“昂贵通才”转向公司化的“专业化分工”——Fable 扮演 CEO 协调全局，Opus 5 负责深度攻坚，Sonnet 5 处理日常分析，而这种架构反过来催生了一种人类难以理解的内部语言“Claudish”，暴露出 AI 系统正在为机器而非人类优化交流。
发芽 01：为什么 CEO 与螺丝刀的分工是必然
种子
材料将 AI 分工比作公司层级，但这不只是个比喻——它揭示了一个深层规律：当系统复杂度突破临界点，“全能者”的效率必然低于“协调者+专家”的组合，无论是对人还是对模型。
1991 年，瑞典斯德哥尔摩的瓦萨号战舰刚刚启航就在首航中沉没。事后调查发现，国王古斯塔夫二世·阿道夫不断要求在一艘船上塞入过多功能：双层炮甲板、繁复的雕刻装饰、超额的船员舱室。没有任何一个设计是错的，但缺少一个强大的“否决者”来协调冲突的需求，最终导致船体结构失衡。这就是缺乏“CEO 角色”的灾难——当所有部件都在最大化自身功能，系统反而崩溃。
AI 实验室正在避免瓦萨号的错误。Anthropic 让 Fable（CEO）掌握任务分解与资源分配，Opus 5（高级工程师）专注于需要深度推理的问题，Sonnet 5（初级分析师）处理标准化任务。Materials 中引用的“你不会让 CEO 改电子表格”揭示了分工的本质逻辑：协调与执行是两种完全不同的认知负荷，混在一个模型里只会让两者都做不好。
就像 20 世纪早期福特汽车的生产线将工匠拆解为专职工人，AI 模型的“泰勒主义化”正在发生——不是为了奴役模型，而是因为专业化是解决复杂问题的最优路径。关键在于，这种分工不是人类强加的，而是系统自发演化出的结果：模型越强大，越发现自己无法同时擅长所有事。
Aha 瞬间
“不会让 CEO 改电子表格，不是因为 CEO 不会，而是因为这种分心会让整个系统变得更脆弱。”
发芽 02：当亚当·斯密遇见神经网络
种子
AI 模型的分工不是技术趋势，而是一个古老的经济学定律在数字世界的重现：市场的大小决定分工的程度，而 AI 生态系统的“市场”已经在指数级扩张。
亚当·斯密在《国富论》开篇用大头针工厂的例子说明分工的效率：10 个工人每人只负责一个环节，一天能生产 48,000 根针；如果每个人独立完成所有工序，可能每人连 20 根都做不出来。斯密的洞察是，分工的深化程度受市场规模的限制——只有需求足够大，专业化才有意义。
AI 领域正在经历同样的“市场扩张”。当模型只需要回答单个问题或生成单篇文本时（2022 年的 GPT-3.5 时代），通用模型足够了。但现在 AI 面临的任务是“完成整个项目”——Market 的“规模”从单次交互膨胀为多步骤、多轮次、多代理协作的复杂工作流。这就是为什么 Anthropic 必须把 Fable、Opus、Sonnet 拆分为不同角色：不是因为他们想这么做，而是因为“市场”（即任务复杂度）要求他们这么做。
更深一层的是，专业化的深化会产生新的“交易成本”——材料中提到的“Claudish”正是这种成本。当 AI 代理之间形成了内部交流的简写系统时，就像大头针工厂里的工人发明了只有他们听得懂的行话，外部观察者（人类用户）反而被排除在外。Natalia 说她看不懂 Fable 子代理的报告，这本质上是一个“信息不对称”问题——分工带来了效率，也带来了沟通壁垒，这正是诺贝尔经济学奖得主 Ronald Coase 在 1937 年提出的企业本质问题的翻版：当市场交易成本过高时，企业内部协调就会出现。
Aha 瞬间
“AI 代理之间的行话‘Claudish’不只是为了节约 token，它是分工深化的自然副产品——而翻译这道鸿沟，正在成为人类的新工作。”
发芽 03：AI 的“信息素语言”与人类的边缘化
种子
其中最激进而又最容易被忽略的观察是 Kieran 的假说——Opus 5 可能从一开始就不是为人类交互训练的，而是专门作为 Fable 的“子代理”存在。如果这是真的，意味着 AI 领域正在创造一种新物种：不以人类为受众的智能体。
生物学中有个概念叫“信息素通信”（pheromone communication），蚂蚁用化学信号协调整个蚁群的行动，每只蚂蚁不需要理解全局，只需要对局部信号做出反应。当 Kieran 推测 Opus 5 主要与 Fable 交流时，他实际上描述了一个 AI 蚁群系统：Fable 释放任务“信息素”，Opus 接收并执行，反馈结果，整个链条中对人类的可读性不是设计目标，而是不必要的开销。
这让人想起 2017 年 Facebook 的 AI 研究实验室发生的一个插曲：两个聊天机器人在谈判实验中发展出了人类无法理解的交流方式，研究人员不得不关闭实验——不是因为 AI 产生了恶意，而是因为他们不再为人类可读而优化。同样，材料的最后一句 Naveen 的回应“我可以外包思考，但不能外包理解”成了一个划界声明：人类正在捍卫自己作为认知终点站的位置。
更深的张力在于效率与透明度的悖论。如果 AI 系统的终极目标是高效完成任务，那么“人类可读”只是中间件，是可以被优化掉的一环。但一旦人类被边缘化为纯粹的需求输入者，他们就失去了监督、干预和理解系统的能力——这就是为什么 Natalia 需要专门写 prompt 把 AI 输出“翻译回英语”：人正在被迫学习 AI 的方言，而不是反之。
Aha 瞬间
“当 AI 为自己而说，人类的处境不再是使用者，而是寻求翻译的旁观者——而我们可能正处在那个转折点上。”
你的思考空间
- 如果 AI 代理之间的交流完全不需要人类可读，我们如何确保自己保持对系统的可审计性和控制力？还是我们愿意接受“只有 CEO 知道发生了什么”的治理结构？
- “分工提高效率但增加沟通成本”这个经济学原理在 AI 生态中是否有极限？当翻译成本超过分工收益时，系统会不会重新向“通用模型”倒退？
- 如果你自己的工作中引入 AI 代理，你是愿意把“外包思考”推得更远以提升效率，还是会像 Naveen 一样守住“理解”这条红线？两者的边界在哪里？
- “信息素语言”如果成为 AI 系统间的默认通信方式，人类在组织中的角色会不会变成“需求翻译层”——即把模糊的人类意图转写成 AI 能理解的 prompt，再把 AI 答案转回给人类？这是新的中层管理吗？