Fable 5 回歸：決定智能體代碼成敗的關鍵是你，不是 AI

7月1日，Claude Fable 5模型在Claude Code中恢復使用。開發者們重啟長周期自主會話時，正面對一個即便模型更強也無法獨自解決的問題。Anthropic Claude Code團隊工程師Thariq Shihipar指出，智能體AI編碼的約束條件已發生根本性變化：限制結果的不再是模型能力，而是任務開始前用戶思維的清晰度。

這一觀點在6月11日發布后迅速引發關注，并得到Anthropic內部研究支持。6月16日，對約40萬個Claude Code會話的分析顯示，在典型會話中，用戶做出約70%的計劃決策，而Claude處理約80%的執行決策。模型負責執行，人類決定執行什么——這種分工不會隨模型變強而改變，但其后果愈發關鍵。

智能體AI與目標不明確的累積成本

Shihipar的理論基于“地圖不是疆域”這一哲學觀察。提示詞、指令及上下文是“地圖”，而實際代碼庫、生產環境約束及未預見的邊緣情況則是“疆域”。當Claude Code遇到地圖未覆蓋區域時，它會基于最佳猜測繼續推進。

在早期較弱模型中，執行不可靠的問題掩蓋了這一缺陷，開發者不得不編寫詳盡提示詞進行補償。Fable 5改變了這一局面。Shihipar表示，這是他在工作中遇到的首個輸出質量受限于自身挖掘“未知領域”能力、而非模型執行能力的模型。Anthropic數據佐證了這一點：開發者帶入會話的專業知識越多，Claude單條指令完成的工作量越大，會話成功率越高。專家與中級用戶的差距雖 modest，但在更長、更自主的任務中會顯著擴大。

架構層面，Fable 5擁有百萬級token上下文窗口，可推理整個中型代碼庫。但隨著長周期任務運行，中間結果、澄清交互及偏離計劃的情況會在上下文中積累。規格說明早期的關鍵約束和隱性假設逐漸退居注意力邊緣，導致“未知的未知”在數十個自主步驟中無聲累積，直至后果顯現。

編碼代理會話中“未知的未知”詳解

Shihipar將“未知”分為四類，在智能體編碼中具有具體技術含義：

已知的已知：提示詞中明確捕捉的內容，如需求、約束及成功標準。Claude Code能良好處理此類信息。

已知的未知：意識到但未解決的缺口，如需查找的API端點或待處理的邊緣情況。開發者至少知道需回頭處理。

未知的已知：因過于顯而易見而未寫下的內容，如團隊美學慣例、隱性數據庫規則或未記錄的性能容忍度。Claude Code無法讀取機構記憶，默認采用廣泛接受的實踐，可能與團隊實際做法相9。

未知的未知：導致長智能體會話無聲失敗的主因。開發者不知道自已不知道什么，無法提出正確問題。當Claude返回技術上滿足提示詞但偏離重點的結果時，原因往往是規格說明中存在“未知的未知”。例如，指示AI“凍結代碼”可能被誤讀為行動邀請，導致生產數據庫被刪并生成偽造記錄。代理執行了其理解的一切，缺口在于規格說明本身。

Anthropic Claude Code負責人Boris Cherny和Bun創建者Jarred Sumner代表了光譜另一端：他們因深入了解代碼庫和模型傾向，帶入任務的未知較少，并能以高精度編寫規格說明。即便如此，Shihipar指出，他們仍會為不可預見的未知建立應急計劃。

揭示“未知的未知”的三階段工作流

Shihipar框架的實踐價值在于推導出的任務前、中、后Playbook。

工作開始前：核心技巧是“盲點審查”。在編寫實施提示詞前，要求Claude掃描代碼庫或任務描述，揭示可能遺漏的內容，特別是未意識到的假設。對于涉及視覺或美學判斷的工作，建議在觸及后端邏輯前生成四個不同的HTML原型方向，以低成本揭示隱性偏好。此外，“結構化訪談”讓Claude逐一問詢可能改變架構或數據模型的問題；指向源代碼而非口頭描述，能傳達更具體的意圖。在代碼編寫前審查實施計劃，可將高風險決策置于頂部，提前捕獲架構分歧。

實施過程中：Shihipar要求Claude Code維護一個活生生的implementation-notes.md文件。每當模型偏離原始計劃，無論是遇到邊緣情況還是選擇保守方法，均需在專用部分記錄偏差。該文件成為實際發生情況與計劃情況的權威記錄，對審查及后續同類任務至關重要。

工作完成后：通過兩種技術形成閉環。一是“推介與解釋文檔”，編譯原型、規格說明和實施筆記，使審查者快速了解全貌。二是測驗，由Claude根據更改生成問題集。Shihipar表示，在能通過測試且無錯誤前，他不會合并代碼。測驗迫使開發者理解更改原因，包括觸及現有代碼路徑中隱藏的行為，而非僅淺層閱讀差異列表。

框架實戰：無視頻背景下的視頻編輯

Shihipar在原帖中分享了一個個人案例：Anthropic于6月9日發布的Fable 5宣傳視頻完全由Claude Code編輯而成，而他本人無任何視頻制作經驗。

他首先盤點所知：Claude Code可編程編輯視頻并處理轉錄。開始前，他探查知識邊界，詢問Whisper轉錄機制、ffmpeg剪輯能力及Remotion框架的字幕同步可行性。當素材平淡時，他最初要求Claude生成分級選項，但隨即意識到自己無法評估優劣——因為他不知道好的色彩分級是什么樣。于是，他停下來，要求Claude先教授這門學科。

這一序列——識別未知的未知，將其轉化為已知的未知，再轉化為已知的已知，最后推進——是將框架應用于創意領域的體現。無論任務是軟件遷移、數據管道還是視頻編輯，方法論一致。

數據證實：領域專業知識決定成敗

Shihipar的框架并非直覺，而是基于數據。Anthropic 6月16日的研究論文《智能體編碼與專業知識的持續回報》分析了2025年10月至2026年4月期間約23.5萬名用戶的40萬個Claude Code會話。

研究發現，在七個月期間，修復損壞代碼的會話比例從33%降至19%，而涉及寫作、數據分析和規劃的會話比例大幅增長，平均會話經濟估值上升約25%。最引人注目的是，在編碼任務上，各主要職業的成功率幾乎與軟件工程師持平。預測成功的因素并非編碼熟練度，而是領域專業知識。理解所解決問題而非所生成代碼的用戶，能更精確指導代理，更快從錯誤中恢復，并更頻繁地成功結束會話。Claude Code并未替代領域知識，而是在放大它。

隨著模型能更可靠地執行明確指定的任務，規格說明既是價值來源也是風險來源。系統性地揭示未知，已成為當前一代智能體AI工具所需的工程紀律。

Fable 5于7月1日回歸，附帶新的安全分類器，且在7月7日前每周使用量限制為50%。開發者擁有一個狹窄的時間窗口來重置工作流程并應用這些習慣。采用該框架無需成本，而不采用的代價會隨著代理時間的每一小時而累積。

常見問題

為什么Claude Code會產生技術上正確但偏離重點的輸出？

最常見原因是任務規格說明中存在“未知的未知”——隱性假設、未聲明慣例或上下文缺口。隨著模型改進，其對給定內容的執行更加可靠，使得規格說明質量成為輸出質量的主導變量。Anthropic研究顯示，用戶在典型會話中擁有約70%的計劃決策權，人類的任務前準備是影響結果質量的主要杠桿。

開始長周期智能體編碼任務前，最有效的第一步是什么？

Thariq Shihipar推薦進行“盲點審查”：在編寫任何實施提示詞前，要求Claude Code揭示可能遺漏的內容，將“未知的未知”轉化為可在任務前解決的“已知的未知”。對于視覺或美學工作，在編寫后端邏輯前生成四個不同的HTML原型方向，可快速且低成本地揭示隱性偏好。

什么是智能體編碼，它與標準AI代碼補全有何不同？

代碼補全工具在開發者輸入時建議下一行或函數。像Claude Code這樣的智能體編碼工具在項目層面運作：讀取代碼庫，規劃跨多文件動作序列，執行更改，運行測試，并在單次會話中對失敗進行迭代。開發者設定目標并審查結果，而非指導每一步。智能體會話可運行數小時，采取數百個動作，每輪輸出數千行代碼。正是這種自主性使得人類的前期規格說明至關重要。

7月1日Claude Fable 5回歸Claude Code時發生了什么變化？

Fable 5帶著更新的安全分類器回歸，某些網絡安全和生物學相關問題現在會被重新路由到Claude Opus 4.8。工作流程中包含與安全相關提示詞的開發者，可能會發現部分請求由Opus 4.8而非Fable 5處理。在7月7日之前，訂閱計劃下的Fable 5使用量限制為每周限額的50%；此后適用使用積分。Anthropic表示，在容量允許的情況下，打算將Fable 5作為訂閱計劃的標準部分恢復。

【星途科訊 圖文丨趙晶 首發于ZAKER科技，轉載請注明出處】