KeyFrame內部研究專用

🚀Claude Fable 5 太贵怎么办?我实测Claude Code模型分层用法:Advisor、Workflow、OpenSpec都能省大量Token!Anthropic官方亲自推荐的的省钱技巧

AI超元域·7月8日週三·9 min中文

三句話摘要

如何在 Claude Code 中合理搭配 Claude Fable 5 與其他模型,通過分層策略降低成本同時保持代碼質量。 充分發揮各模型的成本優勢與能力平衡,核心是讓 Fable 5 專注決策層(規劃、審查、設計),用便宜模型執行,就能以更少的成本獲得更好的整體開發效率。 1. 模型分層原則

重點整理

重點
  • 1

    1. 模型分層原則

  • 2

    不是讓 Fable 5 從頭到尾處理所有任務,而是讓它專注於最重要的部分。Fable 5 作為決策層負責架構決策、最終審查、規格生成;相對便宜的 Opus 4.8 與 Sonnet 5 作為執行層負責日常代碼改動、測試修復、批量任務掃描。

  • 3

    2. Advisor 顧問模式

  • 4

    Sonnet 5 作為主模型執行任務,Fable 5 作為顧問在關鍵時刻(確定方案前、錯誤反復出現時、宣布完成前)被咨詢。Fable 5 每個任務平均只調用約 1 次,達到獨立運行 Fable 5 的 92% 效果。

  • 5

    3. Dynamic Workflow 應用

  • 6

    Fable 5 負責設計工作流架構與派生 Agent 策略,不同執行階段使用不同模型:掃描階段用 Sonnet 5、彙總階段用 Opus 4.8、決策階段用 Fable 5。單次演示 27 個 Agent、7 分鐘完成,單階段消耗不到 30k Token。

  • 7

    4. 規格驅動開發流程

  • 8

    用 Fable 5 通過 OpenSpec 生成完整規格文檔(設計層),文檔確認無誤後切換至 Opus 4.8 執行實現(執行層)。分離設計與實現階段,大幅降低 Fable 5 額度消耗。

實用技巧與重點

乾貨
  • 時間與模型
  • Claude Fable 5 下架延期日期:2026 年 7 月 12 日
  • 可用平台:Claude 訂閱、Claude Design、Claude Code
  • 模型層級與用途
  • Fable 5:複雜代碼庫分析、系統設計、架構決策、Bug 排查、高質量規劃、最終審查、規格文檔生成
  • Opus 4.8:中等難度執行、結果彙總、跨模塊協調
  • Sonnet 5:日常代碼修改、測試運行、批量文件掃描、模塊掃描
  • Haiku 4.5:簡單任務、快速反饋
  • 官方 Benchmark
  • Advisor 模式組合效果:達獨立 Fable 5 的 92%
  • Fable 5 平均調用頻率:每任務約 1 次
  • 關鍵命令與功能
  • `/advisor` + 模型名稱:設置 Advisor 層
  • `/model` + 模型名稱:設置主執行模型
  • `/workflow` + 任務描述:觸發 Dynamic Workflow
  • `/plan`:用 Fable 5 生成執行計畫
  • `/openspec`:生成規格驅動文檔
  • 演示數據
  • Workflow 執行規模:27 個 Agents,耗時 ~7 分鐘
  • Token 消耗:單階段不到 30k Token
  • 效果:接近或超越單獨使用 Fable 5

結論

結論

充分發揮各模型的成本優勢與能力平衡,核心是讓 Fable 5 專注決策層(規劃、審查、設計),用便宜模型執行,就能以更少的成本獲得更好的整體開發效率。

完整解析

詳細

Claude Fable 5 作為 Anthropic 最強模型,具備卓越的複雜代碼分析、系統設計與架構決策能力,但單位成本極高。如果不分場景地全任務使用 Fable 5,無論是簡單改代碼、跑測試還是批量掃描,成本都會急劇攀升,且浪費其高能力。因此,合理的使用策略是模型分層——讓 Fable 5 只處理最重要的決策與審查環節,將日常執行工作交給成本更低的模型。

Anthropic 官方發佈的方案是 Advisor 顧問模式。設置 Sonnet 5 作為主模型在 Claude Code 中執行任務,同時設置 Fable 5 作為顧問層。當 Sonnet 5 需要確定架構方案、遇到錯誤反復出現或即將宣布任務完成時,自動咨詢 Fable 5 獲取建議。Fable 5 返回的指導意見會被整合回主模型,若無矛盾則繼續執行。這種模式中 Fable 5 每個任務平均僅調用 1 次,官方 Benchmark 顯示其效果達到獨立運行 Fable 5 的 92%,大幅降低成本同時幾乎不犧牲質量。

演示中的 Dynamic Workflow 進一步展示了如何在複雜任務中應用分層。當使用 `/workflow` 時,Fable 5 負責設計整個工作流架構,決定派生多少個 Agent 以及各階段的執行策略。具體執行時,代碼掃描階段派生 10 個 Agent 全部使用便宜的 Sonnet 5(消耗不到 30k Token);結果彙總階段派生 9 個 Agent 使用中等強度的 Opus 4.8;最終決策階段派生 7 個 Agent 才使用 Fable 5。整個 27 Agent 的工作流耗時約 7 分鐘,成本遠低於全用 Fable 5。

規格驅動開發流程也體現了分層思想。先切換至 Fable 5 並使用 `/openspec` 生成詳細的規格文檔,這是最值得 Fable 5 投入的環節,因為高質量的規格能指導後續所有實現。文檔生成並審查無誤後,切換至 Opus 4.8 或 Sonnet 5,讓它們根據規格執行具體開發。這樣設計層(複雜思考)與執行層(按圖施工)分離,既保證了架構質量,又最小化了昂貴模型的使用。

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。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。