分享 8 个 Fable5 下线前必跑的超实用 Prompt

榨榨榨榨榨干算力

满打满算，Fable5 还剩不到 48 小时就从订阅计划里下线了，

整个周末我都在把额度刷刷刷满，剩下最后 20% 的时候在 X 上看到一个开发者发的一条长贴，他说他把 Fable 5 的行为模式，再结合 Claude 团队自己开源的 Fable5 提示语技巧，提炼成了一份协议，贴给 Opus 4.8 用。

顺着这条线往下挖，我用了两天时间把中英文圈十几篇最有料的实战帖全翻了一遍，全变成 prompt，让你现在立刻马上就跑起来的。

我把筛完的东西按稀有度排了个序。先给结论。

Fable 5 最值得做的事情就两类，

第一类，让它自己跑实验。你睡觉，它干活，醒来看报告。

第二类，让它研究你自己，然后把你的工作方式变成一套可复用的系统。

其他所有用法都是这两类的子集。

先说第一类，因为它效果更夸张。

Superpowers 的作者 Jesse Vincent 用 Fable5 做出了 6.0 版本，这个项目里的头脑风暴 brainstorming Skill 属于是入门 Agent 必装的一个 Skill 了，

他做的就是睡觉前给 Fable 写了一个/goal 提示语，翻译成中文就是，

goal目标提示语

/goal 任务完成后，再专门跑一轮成本优化研究，让Opus负责统筹，持续记录“我为什么这么试、预期会怎样、实际结果如何”。至少做 25 次不同实验，每次实验开始前先写清楚假设，失败路线也要完整记录。如果中途发现数据量错了、口径不一致，或者评估方法有问题，要当场修正并继续。

等他第二天起床的时候，25 个实验跑完了。

花了 165 刀就把构建速度提高 50%，token 开销降了 60%。

赚麻了。

这个 goal 提示语跟我之前看到的不同之处就在它补充实验的过程，每个实验都有清楚记录的假设。每个被否定的想法被完整记录下来。Fable5 在跑实验的过程中就发现了自己的三个测量 bug，自己中途修正了。

它在没有任何人类介入的情况下给自己纠错。

而且还很诚实地告诉你哪些优化路径是完全没用，甚至产生负面效果的。

有人觉得**「给 Fable5 的思考过程加个字数上限，能省点 token」**，Jesse 测了，结果适得其反。Fable5 为了在限制里把话说清楚，反而车轱辘话来回说，原本 92 轮能搞定的事变成了 138 轮，输出翻倍，更贵了。

还有人想**「先用便宜的 Sonnet 模型写计划，再让贵的 Fable5 执行」**能省钱。Jesse 也测了，Sonnet 写出来的计划虽然看着没问题，但根本不是 Fable 的思路，整个任务结构都乱了。

还有就是**「给测试计划设个字数预算」**这种看起来很合理的操作，直接把模型的测试内容削减了 62%。其实就像让一个研究员用一页纸写实验方案，在保证每个实验质量不变的情况下，他只能把一半实验删掉。

这些彻底失败的实验结果比成功的还值钱。

因为之后在新的项目上，我不用再花钱重新踩一遍坑。

测试这个 goal 提示语的时候，我想起 Karpathy 大神说过一句话。

「Here’s an objective, here’s a metric, here’s your boundaries of what you can and cannot do. And go.｜ 这是你要达成的目标，这是怎么判断你做完了，这是你的边界。剩下的交给你了。」

目标，指标，边界。三个词。

这其实就是 /goal 提示语的最佳结构。

给模型说清楚要什么结果，怎么判断做完了，什么东西不能碰。

写完这三样，放手让它去发挥。

好，来到第二类，让 Fable5 研究我们，

我觉得这可能是整个窗口期里最被低估的用法，简单来说就是让 Fable5 研究我们的工作模式，优化之后打包成一套系统，交给一个 Opus4.8 或者别的模型去执行。

输出工作模式跟直接总结出一个报告还不太一样，这是一套可以直接用的东西。

你以后切回 Opus 4.8 的时候，它已经知道你是谁，了解你的工作模式了。

工作模式提示语

遍历我Claude所有的历史聊天记录，重复提示，文档，项目，Skills和工作流程。然后回答： 1、我最常使用Claude做什么？ 2、哪些任务我总是重复地做？ 3、哪些指令我总是手动重写？ 4、哪些工作流程应该变成可重用的Skills？ 5、过去做了哪些事的方法和思路是错的，以你的视角应该要避免？ 6、Opus应该知道什么，这样它就能给我90%的Fable 5体验？ 把所有这些转化为Claude Skills、使用指南、工作流程模板，以及给Opus的系统指令。

那如果之前被封了很多次账号，也没有从被封账号的历史对话记录成功恢复自己的对话，又想要得到一个表现还不错的工作流程的话，那我们就要回到开头的开发者 hiromi maeo 的事了。

他从 Anthropic 的 Fable 5 文档里，反向提炼出了一份能让 Fable5 表现更好的行为规范，

行动规范提示语

结论先行｜每次汇报第一句话就说「发生了什么」或「发现了什么」，不要让我翻三页才看到结果。 立即行动｜信息够了就动手。不要重新推导已经确定的事实，不要重新讨论已经关闭的决定，不要列一堆你不会采用的方案。 实证汇报｜报告前用工具结果交叉验证。没验证的说没验证，测试失败的把输出原样贴出来。编造进度是最恶劣的失败。 最小范围｜不做要求以外的功能、重构或抽象化。做最小能用的东西。不要写防御不可能发生的场景的代码。 说到做到｜永远不要说「这就去做」然后停下来。执行完再终止。

这样一份行为规范有什么用呢？

Fable 5 虽然聪明，但它不会一个人干完所有活。遇到大任务的时候，它会自己拆分成多个独立任务，派出几个小弟去完成，也就是 subagent，那这些 agent 里面内置的模型可能是便宜一点的 Opus，也可能是再低一档的 Sonnet。

问题是，这些小弟没有 Fable 5 那么聪明。

不明确告诉它们该怎么干活，它们就会按自己的习惯来，可能会磨蹭，可能会重复做已经确定的事，甚至会说好的我这就去做然后就停在这摸鱼。

我们需要一份行为规范，贴在每一个小弟的提示语末尾，这样 subagent 输出的结果会变得更加易读，换成 API 的时候就可以完全让 Fable5 出计划，其他模型去执行。

说到 subagent，这几天还有一个非常极端的任务分配逻辑火了，

既然两天不到就要用 API 了，那就提前适应，让 Fable5 自己判断什么任务下放给便宜模型，什么留给自己。这样 token 消耗就降下来了。

subagent分配提示语

对于任何编码任务，自行判断选择低算力模型并在 subagent 中运行。小任务交给便宜模型，重任务保留全力运行。

我上周开源的搭子 Skill 也是同样的逻辑，

让 Fable5 在出计划的步骤来分配哪个阶段用哪个 Agent，claude code 可以把 codex 也拉进来干活，codex 也可以让 Fable5 在出计划的时候参与进来。

但是还有人更加极端，直接所有执行都走 codex subagent，让 Fable5 只负责出计划和头脑风暴。

API 计费之后，这种多 Agent 分配的打法大概率会变成主流。

同样的思路，有个叫 Machina 的开发者把让 AI 自己判断什么时候做什么这件事，固化成了 25 个可以直接抄的 loop 工作流（在 claude code 上就是固定的时间间隔运行某个任务），也就是说把 fable5 加入到自动化工作流里了。

每个 loop 有五个要素。

一个排期表，什么时候醒来。每轮只改一件事。同一个检查标准，让本周的分数和上周可比。一个状态文件，记录做了什么、下一步是什么。一个停止条件，硬性限制轮次的上限加上对完成和流程被堵住的定义。

他还给每个定时任务标了颜色。

绿色完全自动跑。

黄色要我们审批才能发出去。

红色涉及生产环境或者外发消息，就不能在无人的时候自动跑。

我把这个 25 个定时任务都看完了，状态文件就是让每次运行比上一次更聪明的关键。模型每轮开始前先读自己上一轮的历史，这样它永远都不会重做已完成的工作。

这 25 个 loop 里，我觉得最值得抄的是 Shadow prompt loop，一句话总结就是测新提示语的效果的时候走流量的 A/B Test。让新旧两个 prompt 同时跑在真实流量上，用数据决定好坏。

loop提示语

/loop daily, on real traffic 读取 shadow-prompt-STATE.md，里面记录了：

• baseline prompt（当前线上版本）
• candidate prompt（待验证的新版本）
• 已积累的 disagreement cases（两个 prompt 输出不一致的真实请求） 本轮任务：

1. 从今天真实流量中抽取 N 条代表性请求（边缘 case、高频场景各占一半）
2. 同时用baseline和candidate各跑一遍，记录输出
3. 只记录有分歧的case（输出明显不同），相同的跳过
4. 每个分歧case标注：哪个更好、为什么、是否 candidate 一致性更优 约束：

• 不直接替换线上prompt，只积累对比数据
• 积累50个有效分歧case后，生成一份「是否切换」的推荐报告
• 报告必须包含：candidate胜/平/负的比例，典型分歧场景，切换风险评估 State file（状态文件）: shadow-prompt-STATE.md（记录：已测多少条、disagreement堆、当前结论） Stop（停止条件）: 50 个分歧 case 或 14 天 Color: 🟢 Green（只读流量 + 写 state file，不改线上配置）

我现在其他 loop 都统一成了这个模版。

最后说两个 Anthropic 官方放出来的提示语模板。我自己验证过，直接能用，也已经设成 hook 了。

第一个是自动检查点。

Fable5 确实可以长时间运行，我基本都把权限拉满的，但还是需要它在关键时刻停下来问我，

自治运行 + 自动暂停提示语

只在工作真正需要我介入时暂停，破坏性或不可逆的操作，真正的范围变更，或者只有我才能提供的信息。其他情况继续推进，完成后汇报。

第二个是记忆系统。

这个我已经设成 hook 了，只要说「记一下」就自动触发。

主要是因为被封的次数太多了，每次封完回来都是一片空白。

有了这个 hook，它至少能从错题本里知道上一世犯过什么错，保留一手前世记忆。

## 记忆更新提示语 每条经验单独存成一条记录，开头用一句话概括。 只记录两类东西：

1. 被我纠正过、下次不能再犯的点
2. 已经验证有效、以后可以复用的方法 每条记录要写清楚它为什么重要。 不要记录仓库、文档或聊天记录里已经有的信息。 如果已有相似记录，就更新旧记录，不要重复新建。 如果后来发现某条记忆是错的，就删掉或标记废弃。

最后补一个动手前让 Fable5 反向面试你的提示语，

在写需求文档的时候，等它问到 95% 有把握了，再进入正式执行。

反向面试提示语

问我问题，直到你有95%的把握可以把这件任务完成

问清楚之后，就给 Fable5 开个计划模型（plan）按照 Anthropic 推荐的/goal 结构化写法模板做一个初版本，

goal目标提示语

背景：我在为 [谁] 做 [什么项目]，他们需要 [这个东西能帮他们解决什么问题]。 具体要求：[用一句话说清楚你要什么] 交付格式：[你希望最终结果是什么样的，怎么给你] 红线：[过程中绝对不能做什么事]

Claude Code 团队的工程总监 Fiona Fung 之前做过一个分享。

他们团队有个习惯已经变成了肌肉记忆，

每遇到一个重复性工作，就条件反射地问自己，能不能自动化。

如果一件事重复三遍以上，就想尽一切办法让 AI 自动化掉。

7 月 7 号之后 Fable 5 从订阅制变成按 token 计费，

上面的这些提示语就跟我们平时的账单实时挂钩了。

我是觉得不要担心烧 API 额度，

最好的模型本身就是最便宜的实现路径。

窗口还剩一天不到。

可以做的最小动作还有什么？

我选择把上面那个六问 prompt 再跑一遍。

让 Fable5 研究我，然后把我变成一套 Skill。

这些沉淀下来的提示语，skill，文件，

不会只在 Fable5 的脑子里，

模型会换，窗口会关。

但我们的工作模式，错题本，跟模型的对话记忆

这些是不会消失的。

用 Fable5 把这些重新激活，

这可能是整个窗口期里，

ROI 最高的二十分钟。