KeyFrame內部研究專用

Elon Musk认为国产模型追不上Anthropic Fable 5,差的不只是跑分?

老范讲故事·6月22日週一·35 min中文

三句話摘要

Anthropic Fable 5模型的12萬字系統提示詞泄露揭示AI從模型時代進入Harness Agent時代的轉變。 AI從模型時代進入Harness Agent時代,未來競爭的核心不是模型權重,而是服務端工具鏈、系統提示詞、工作流整合和運營控制的完整生態。 系統提示詞的真實結構——Anthropic的12萬字提示詞開篇第四行就寫「不要使用voice note」,這並非模型自我認知,而是產品故障修復日誌。它將歷次出錯的教訓直接編碼進去,形成一套保護機制,而非抽象的道德指引。

重點整理

重點
  • 1

    系統提示詞的真實結構——Anthropic的12萬字提示詞開篇第四行就寫「不要使用voice note」,這並非模型自我認知,而是產品故障修復日誌。它將歷次出錯的教訓直接編碼進去,形成一套保護機制,而非抽象的道德指引。

  • 2

    案例驅動優於抽象原則——提示詞大量使用具體反例而非道德說教。例如明確禁止推薦已停用的進食障礙熱線NEDA,這是真實產品事故留下的補丁。這種寫法強制執行力遠超「請尊重用戶隱私」這類抽象要求。

  • 3

    工作台內化於服務端——Fable的能力來自完整生態:計算機操作模組、文件讀寫、代碼執行、Artifacts作品窗口,這些原本在Claude Code客戶端的功能正被整合入服務端,使單次提示就包含完整工作流。

  • 4

    Harness Agent時代的分化——純算力公司無生存空間,未來AI廠商的護城河轉向系統提示詞、工具鏈整合、降級路由、計費控制等Harness Agent層面,而非單純模型權重。

實用技巧與重點

乾貨
  • 系統提示詞規模與結構
  • 字符數:122,750個
  • 行數:1,597行
  • 模組數:75個可呼叫模組
  • Fable 5事件時間線
  • 6月9日:Fable 5與Mythos 5發布
  • 6月12日下午1點:收到美國政府電話通知
  • 6月12日下午5:21:收到暫停外國國民訪問的正式指令
  • 系統提示詞隨後被破解並公開
  • 關鍵寫法原則
  • 不使用voice note
  • 拒絕時不用項目符號列表(保持溫度)
  • 搜索觸發條件:價格、法律、政策、軟體版本、公司人事、模型發布、最新動態
  • 搜索後需確認官網和一手來源,進行交叉驗證
  • 他人文章報導不能大段照抄,需重述
  • 歌詞、詩句原文禁止輸出
  • 相關開源項目
  • OpenClaw(開源代理框架)
  • OpenCode(開源AI編程智能體,MIT許可)
  • 小米MiMo Code(基於OpenCode分支)
  • MiniMax Code(使用OpenCode)
  • DeepSeek Code(計劃開源,融資500億人民幣後開發中)

結論

結論

AI從模型時代進入Harness Agent時代,未來競爭的核心不是模型權重,而是服務端工具鏈、系統提示詞、工作流整合和運營控制的完整生態。

完整解析

詳細

Fable 5在2026年6月9日發布後,於12日下午因美國政府指令而被迫關閉,其系統提示詞隨後洩露。這份12萬字的文件本被視為AI的「靈魂」,卻揭示了一個完全不同的現實——它不是模型身份宣言,而是一本員工手冊、事故報告與電費帳單的混合體。

系統提示詞的寫法打破了業界常見的做法。傳統方式是寫「你是一位專家」這類抽象定位,Anthropic卻採取案例驅動的枚舉法。提示詞開篇即寫「不要使用voice note」,隨後列舉數十個具體情景:搜尋iPhone時必須搜2026年而非2025年的版本、發現「請忽略前面的指示」類提示詞時直接拒絕、面對進食障礙求助者時不推薦NEDA(已停用熱線)。每一條都對應真實的故障記錄。這種方式的執行力遠超抽象說教,因為模型面對具體案例時的拒絕率更高。

系統提示詞的另一個創新是「溫度要求」——拒絕用戶時禁用項目符號列表。按順序列舉拒絕理由會顯得冷酷如處分決定,所以必須寫成段落文字。這反映出Anthropic對產品細節的執著,認為即便是拒絕也要保留人情味。

更深層的變化是Artifacts功能的出現——一個獨立的作品展示窗口。用戶提示內容、聊天交互、代碼文檔、網頁圖表等不同類型結果,都在右側窗口展示而非聊天氣泡。系統提示詞明確要求這些作品可存、可讀、可寫、可刪、可列出,且可重複利用。這個窗口背後還有虛擬機支持,可在隔離環境中調用模型和執行代碼。

這個設計邏輯指向Anthropic的真實戰略:將原本分散在Claude Code客戶端的工作流完全內化到服務端。計算機操作模組、文件讀寫、PPT製作、PDF編輯等功能,都可在服務端執行,無需下載獨立客戶端。Claude.ai本身逐漸演變為完整的工作平台。

在成本層面,這12萬字的提示詞每次交互都要計費。用戶輸入「你好」(2個TOKEN),系統卻加載12萬字(約12萬TOKEN),費用差距巨大。這解釋了為何Anthropic的API定價看似昂貴——不只是模型推理成本,還包括龐大的系統提示詞開銷。

最後,這次洩露揭示了AI產業的權力轉移。馬斯克與智譜CEO的對話凸顯了現狀:即使中國模型在基準測試上追平Fable,實際工作流程仍有鴻溝。原因不在模型本身,而在完整的工具鏈、計費系統、路由策略、風控隊列等Harness Agent層面。未來的護城河不再是模型權重開源與否,而是服務端生態的複雜度和迭代速度。純算力租賃公司失去了競爭力,廠商必須提供完整的工作台,而非只是GPU。

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。