How I Make Opus Think Like Fable (5 easy steps)
三句話摘要
如何通過系統化的提示詞工程和智能模型路由，用成本更低的 AI 模型達到高端模型的性能。 掌握系統化的工作方法論和模型路由策略，比購買單一強大模型能以更低成本創造等量甚至更好的價值。 模型不等於競爭力：即使給初學者一個更好的模型、給專家一個較差的模型，專家仍能用更差的模型造出更優質的產物。這證明了方法論、系統設計、以及圍繞模型建立的循環遠比模型本身重要。
重點整理
重點- 1
模型不等於競爭力：即使給初學者一個更好的模型、給專家一個較差的模型，專家仍能用更差的模型造出更優質的產物。這證明了方法論、系統設計、以及圍繞模型建立的循環遠比模型本身重要。
- 2
Fable 模式的可遷移性：Fable 5 具有優秀的長期規劃、目標達成、任務執行與驗證能力，其系統提示揭示了一套可以提取與轉移的思維框架，這些框架可被注入到 Opus、Sonnet 等較小模型中。
- 3
努力程度的靈活配置：不同任務需要不同的推理深度——簡單任務用 1 級努力、中等任務用 3-5 級、深度研究用 5-10 級。過高的努力程度會導致過度思考、成本上升卻效果不佳。
- 4
智能模型路由策略：讓 Fable 負責複雜規劃與對抗性推理，Sonnet 執行具體操作並回報結果，Fable 持續優化流程。這種分層設計能以三分之一的成本達到相同效果。
實用技巧與重點
乾貨- 模型選擇表格：Fable 5、Opus 4.8、Sonnet、Haiku、GPT-5.5、開源模型
- 五步驟工作框架（Fable 模式技能文件）：
- 範圍界定（Scoping）
- 證據收集（Evidence Gathering）
- 對抗推理（Adversarial Reasoning）- 考慮所有出錯的可能性
- 驗證（Verification）
- 報告（Reporting）
- 努力程度配置：1 級（關鍵事實）、3-5 級（中等任務）、5-10 級（深度研究比較）
- 成本對比實測：Opus 高努力與 Fable 低努力相似；Opus 編排多個 Haiku 成本降低 ~75%，結果相同
- 系統設計要點：範圍界定不等於執行計畫、承認錯誤並堅持解決、確保每步準確、問題模糊時先回答再問澄清
- 可控資產：流程、系統、方法論、本地模型、自有硬件
結論
結論“掌握系統化的工作方法論和模型路由策略，比購買單一強大模型能以更低成本創造等量甚至更好的價值。”
完整解析
詳細講者從親身使用 Claude 模型的實踐出發，提出了一個看似反直覺但極具影響力的觀點：購買或使用更強大的模型不是解決問題的銀彈。他舉例說，給 AI 初學者配 Fable 5、給已故的深度學習先驅 Karpathy 配 Claude 3.7，即使前者用的是更好的模型，後者仍能創造出更優質的產物。這是因為專業人士掌握了一套系統化的工作方法——提示詞設計、工作流程構建、循環反饋機制——這些東西遠比模型本身值錢。
基於這個洞察，講者深入探討了 Fable 5 系統提示詞洩露後得到的啟發。他發現 Fable 之所以表現卓越，在於它遵循一套五步驟框架：先明確範圍邊界，再系統性地蒐集證據，用「魔鬼代言人」思維進行對抗推理（預想一切可能出錯的地方），然後嚴格驗證每一步，最後才報告結果。這套框架可以被提煉成技能文件，注入到 Opus 4.8 等較小模型中，讓它們「被提升」到接近 Fable 的工作品質。
講者進一步引入了「模型路由」概念。實踐中他發現，當用 Fable 來規劃複雜動態工作流、設計每一個可能的步驟、考慮所有風險，然後讓 Sonnet 去執行具體操作、向 Fable 回報進展，Fable 再不斷優化流程時，整個系統的成本降低了約三分之二，但輸出結果幾乎一致。更激進的實驗是讓 Opus 編排多個 Haiku（更便宜的模型）執行同樣的任務，成本進一步下降，結果依舊相同。
為了系統化這套方法，講者建議開發一份模型選擇表格，列出團隊工具包中各模型的成本、智力水平（程式碼審查能力、對用戶的理解深度等）與創意傾向（UI/UX 設計、跳脫思維等）。配合努力程度的靈活配置——簡單任務用 1 級推理深度、中等任務用 3-5 級、深度研究用 5-10 級——就能精準匹配每個子任務到最合適的模型與計算成本。
最後，講者指出在不確定的政策環境下（如政府監管、模型被收回），我們無法擁有這些模型，但我們能掌控的是流程、系統設計與方法論。因此投資於構建堅實的工作框架、本地模型部署、自有硬件，比追逐最新最強的商業模型更具韌性。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
