KeyFrame內部研究專用

How Anthropic Engineers Actually Prompt Fable 5

Nate Herk·7月1日週三·10 min英文

三句話摘要

Claude Fable 5 的六大提示工程最佳實踐,如何高效使用這個最強大模型同時控制成本。 將這六個提示工程實踐系統化融入 prompt、skill 和 Claude.md 檔案,能顯著提升 Fable 5 的使用效率與輸出品質,同時有效控制 token 成本。 提供背景與意圖 — Fable 5 的推理能力使其更擅長理解上下文。不只說「寫客戶郵件」,而要說「我在處理 X 任務,收件人是誰、他們需要什麼,請幫我寫這封郵件」,讓模型能正確定位資訊來源。

重點整理

重點
  • 1

    提供背景與意圖 — Fable 5 的推理能力使其更擅長理解上下文。不只說「寫客戶郵件」,而要說「我在處理 X 任務,收件人是誰、他們需要什麼,請幫我寫這封郵件」,讓模型能正確定位資訊來源。

  • 2

    使用負面提示 — 模型本質上是預測下一個最合理的單詞,有時會創意超支。明確告訴它「不要編輯、不要發送、不要刪除」,能有效防止不需要的操作。

  • 3

    避免過度規劃 — 不要強制模型先制定完整計畫。用「當你有足夠資訊時,立即行動」替代,避免不必要的延遲和 token 浪費。根據任務複雜度選擇推理力度(低、中、高、超高、最大),中等為默認值。

  • 4

    要求驗證與證明 — 模型聲稱完成不等於真的完成。要求它「在聲稱完成前,指出證明這一點的結果」,讓模型進行多輪自我檢驗,建立信任基礎。

  • 5

    不要要求顯示推理過程(Fable 特定)— 系統提示中的「解釋你的推理」會觸發安全檢查,導致請求被無聲路由到 Opus 4.8,反而更貴。

  • 6

    說得更少 — Fable 5 足夠聰慧,不需要「規則一、規則二、規則三」。用「以結果開頭、保持簡潔、僅在真正需要時暫停」的簡潔指令即可。

實用技巧與重點

乾貨
  • 定價:$10 USD per million input tokens、$50 USD per million output tokens
  • 使用限額:周限額 50% 免費(含促銷期),超額後需用 usage credits
  • 促銷期截止:2026 年 7 月 7 日
  • 推薦使用頻率:僅 5-15% 的任務需要 Fable 5,其餘用低成本模型
  • 推理力度建議:低/中用於常規工作、高用於大多數任務、超高用於最敏感工作
  • 成本對比:Fable 5 on low < Opus 4.8 on max
  • 模型路由觸發條件:黑客相關內容、危險生物學、要求 reveal 模型私有推理、疑似惡意意圖
  • 支援平台:Claude Desktop App、VS Code Claude Code、任何可用 Claude 的地方
  • 官方資源:Anthropic 官方文檔完整列出最佳實踐

結論

結論

將這六個提示工程實踐系統化融入 prompt、skill 和 Claude.md 檔案,能顯著提升 Fable 5 的使用效率與輸出品質,同時有效控制 token 成本。

完整解析

詳細

Claude Fable 5 是一個功能強大的新模型,但成本相對 Opus 高出一倍。講者通過分析 Anthropic 官方文檔和社區反饋,系統化地總結了六個最有效的提示工程實踐,幫助用戶在控制成本的前提下發揮模型最大潛力。

首先需要理解 Fable 5 的特性。這個模型在理解意圖和遵循清晰指導上顯著優於前代,成本為每百萬輸入 token 10 美元、輸出 50 美元,是 Opus 的兩倍。在目前的促銷期內(截至 7 月 7 日),用戶可免費使用周限額的 50%,超額部分需購買 usage credits。講者強調,只有約 5-15% 的任務實際需要 Fable 5 的全部能力,大多數日常工作應該用更便宜的模型完成。

提示工程的前三個實踐對任何模型都適用。首先提供背景與意圖。與其簡單說「寫一封關於延遲的客戶郵件」,不如說「我在處理更大的任務,收件人是誰、他們需要什麼資訊,請幫我寫這封郵件」。Fable 會更好地理解實際需求,甚至能自動查找相關的上下文文件。其次使用負面提示。模型本質上是預測下一個合理單詞,有時會創意超支。明確告訴它「停止,不要修改、發送或刪除任何東西直到我說開始」,能大幅提高準確性。官方文檔本身就大量使用負面提示範例,印證了其有效性。第三避免過度規劃。傳統上講者總是建議用 Plan Mode,但現在改變了做法。應該說「當你有足夠資訊時,立即行動」,避免不必要的規劃階段浪費時間和 token。同時應根據任務複雜度選擇推理力度——低或中用於常規工作,高為默認值,超高和最大用於最敏感的工作。

第四個實踐是要求驗證與證明。模型有時會聲稱完成,但實際上尚未驗證結果。要求它「在聲稱完成前,指出證明這一點的具體結果」或「只報告你能提供證據的工作」,讓模型進行多輪自我檢驗(2-5 次),就像審查員工工作一樣。這個技巧應該系統化地融入所有 skill、agent 和 Claude.md 文件中。

第五個是 Fable 特定的警告:停止要求顯示推理過程。系統提示中的「解釋你的推理」可能觸發 Fable 的安全檢查,導致請求被無聲路由到 Opus 4.8。由於 Fable 存在被 jailbreak 的安全疑慮,模型內建了大量安全防護,會在偵測到潛在惡意意圖時自動降級。避免此類觸發器能節省成本。

最後是說得更少。Fable 足夠聰慧,不需要列舉規則清單。改用「以結果開頭、保持簡潔、僅在真正需要時暫停」這樣的簡潔指令,效果同樣好。這不與第一條「提供背景」相矛盾——背景應該精簡但充分。

講者也說明了模型路由機制。Fable 在回應前會進行快速安全檢查,若涉及黑客、危險生物學或要求 reveal 模型私有推理等內容,會無聲路由到 Opus。好消息是路由到 Opus 時成本更低,但最好的辦法還是從一開始就避免這些觸發器。

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

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。
Everything Goldman Sachs Taught Me About AI (In 10 minutes)
AI 技術英文8月24日

Everything Goldman Sachs Taught Me About AI (In 10 minutes)

Nate Herk

  • 驗證優於相信:看起來完整的AI輸出不等於正確答案,需在提示中要求模型重新檢查數字、引用來源,並對無把握的部分標記。
  • 區分AI與自動化:確定步驟且答案已知的任務用傳統自動化更便宜快速;只在需要判斷力、靈活性或處理複雜資訊時才用AI,兩者結合效果最佳。
  • 以問題驅動選型:先寫清楚「要解決的問題是什麼、成功的樣子是什麼」,再決定用什麼工具,許多失敗項目是從技術而非問題出發。
Mu: a self-hosted personal agent where the interface is an email address you can write to
AI 技術英文8月23日

Mu: a self-hosted personal agent where the interface is an email address you can write to

GitHub Awesome

  • Mu 是自主代理人系統,具有實際網址與獨立伺服器,用戶可透過多種方式與其互動——網頁應用、電子郵件或程式化介面。
  • 架構完整覆蓋日常工作流程的多個層面,整合郵件收發(SMTP/IMAP)、檔案管理、行事曆、新聞聚合、市場數據與搜尋功能於一個 Go 伺服器內。
  • 支援自帶模型與多種通訊協定,用戶可選擇不同的 AI 模型,並透過 MCP、HTTP API 或命令列工具整合到其他系統。