KeyFrame內部研究專用

How I Make Opus Think Like Fable (5 easy steps)

Nate Herk9 min英文
觀看原始影片

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

  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

  • 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

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

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。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。