分享8个Claude Fable 5下线前必跑的超实用Prompt

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团队开源的Fable5提示语技巧，提炼成了一份协议，贴给Opus 4.8用，神人来的。

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。

就剩那么点时间，Fable 5值得做的事就两类，

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。

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，放手让它去发挥就好了。

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（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有三个要素。

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。

实测比auto mode会更少打扰我。

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]

呼，完事了，额度也没了，开始烧API去了。

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号之后Fable 5从订阅制变成按token计费，

上面的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，

也不要去限制Fable 5本身的能力来省token，

最好的模型本身就是最便宜的实现路径。

还剩两天不到就下线了，

我们可以做的最小动作还有什么？

我选择让Fable5研究我，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，会下架，号也可能会被封，

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最高的三十分钟。

文章来自于微信公众号 “卡尔的AI沃茨”，作者 “卡尔的AI沃茨”