KeyFrame內部研究專用

Fable 5: The Cost-Saving Pattern You Need

Prompt Engineering10 min英文
觀看原始影片

三句話摘要

透過 Advisor 和 Orchestrator 模式有效使用 Fable 5,用更低成本達到接近的性能。 Fable 5 應用於規劃與協調,搭配 Opus 4.8 或 Sonnet 5 執行具體工作,可用不到一半的成本達到接近的性能。 模式一:Advisor 架構 — Fable 5 作為顧問檢視工作、給反饋;Opus 4.8 或 GPT 5.5 作執行者做具體工作。講者的案例中 Fable 用量只占 6%,其餘 93% 由 Opus 子代理執行,展示這個模式的 token 效率。

重點整理

  1. 模式一:Advisor 架構 — Fable 5 作為顧問檢視工作、給反饋;Opus 4.8 或 GPT 5.5 作執行者做具體工作。講者的案例中 Fable 用量只占 6%,其餘 93% 由 Opus 子代理執行,展示這個模式的 token 效率。

  2. 模式二:Orchestrator 架構 — Fable 5 做主協調者分解任務、決策推理級別,多個子代理並行執行不同工作(如 Web search、程式碼撰寫、測試),結果回傳給 Fable 做最終處理。

  3. 成本與效能平衡 — Fable 5 單獨約 91% 準確度;加入 Sonnet 5 的 Advisor 模式降至 86% 但成本不到一半;用 Opus 4.8 可進一步提升準確度。對多數工程任務,Medium 推理級別足夠,無需 Extra High 或 Max。

  4. 避免浪費點 — Fable 5 不應執行 Web search、瀏覽器操作、自動化任務等,應改用 Sonnet 5 或 Opus 4.8 節省 token;Fable 的強項在規劃、架構決策、多代理協調。

實用技巧與重點

  • 時間限制與額度:
  • Fable 5 訂閱延期至 2026 年 7 月 12 日
  • 許多用戶已達周額度限制
  • 性能數據:
  • Sonnet 5 單獨:75% 準確度
  • Fable 5 單獨:約 91% 準確度
  • Fable Advisor + Sonnet 5:86% 準確度,成本不到 Fable 5 單獨的一半
  • Fable + Sonnet:準確度只低 4%,成本節省超過 50%
  • 推薦模型組合:
  • Advisor/Executor:Fable 5 + Opus 4.8 或 Fable 5 + GPT 5.5
  • 避免 Sonnet 5 單獨作執行者(相對 Opus 4.8 成本更高)
  • 推理級別設置:
  • 常規工程/編碼任務:Medium 或 High
  • 重度架構工作:Extra High 或 Max
  • 實作工具:
  • Cloud SDK(定義 client、model、advisor)
  • Claude Code + Skills(efficient Fable 技能由 Builder IO 提供)
  • Cursor 團隊的 Fable 協調實踐
  • 子代理選項:Sonnet 5、Opus 4.8、GLM 5.2
  • 系統提示範例:
  • 「You have access to an advisor tool backed by a stronger reviewer model. It takes no parameters when you call the advisor. Your entire conversation history is automatically forwarded.」

結論

Fable 5 應用於規劃與協調,搭配 Opus 4.8 或 Sonnet 5 執行具體工作,可用不到一半的成本達到接近的性能。

完整解析

Fable 5 模型以高效能著稱,但高 token 消耗導致使用者快速耗盡周額度。講者指出核心問題:多數人設定 Fable 5 為 High 或 Extra High 推理級別,不必要地燒掉 token。實際上,Medium 級別已足應付大多工程任務,Fable 的真正優勢在於規劃與架構決策,而非逐行實行。

講者提出兩個業界標準的多代理模式。第一種是 Advisor 模式:Fable 5 充當顧問角色,提供規劃與回饋;Opus 4.8 或 GPT 5.5 作為執行者處理具體工作。講者自己的案例中,Fable 5 僅用 6% 額度檢視計畫,93% 工作由 Opus 子代理完成。第二種是 Orchestrator 模式:Fable 5 做主協調者,將大任務分解為多個子任務,派發給不同的子代理(Sonnet 5、Opus 4.8)並行執行,最後聚合結果。

性能與成本的權衡至關重要。根據 Anthropic 的測試數據,Sonnet 5 單獨準確度 75%,Fable 5 單獨達 91%,但 Fable + Sonnet 的 Advisor 配置可達 86%,成本卻不到 Fable 5 單獨的一半。若改用 Opus 4.8 作執行者,準確度會更接近 Fable 5,但仍能節省可觀成本。講者強調,對大多工程工作而言,決策關鍵不在單個模型能力,而在於如何編排多個模型的工作流。

實踐層面有兩條路線。在 Cloud SDK 中,可定義 advisor 工具告訴執行者何時呼叫諮詢;在 Claude Code 中,可用 Builder IO 的 efficient Fable 技能或簡單提示語自動分解任務。關鍵是避免讓 Fable 5 執行 Web search 或瀏覽器操作——這些應交給輕量級模型,結果再由 Fable 5 處理。有相當額度剩餘的用戶應嘗試這些模式,測試單獨 Fable 5 與多代理模式的實際差異。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。