Opanowanie Claude Fable 5: Jak tworzyć prompty poprzez identyfikację własnych martwych pól

W miarę jak modele AI ewoluują z prostych chatbotów w zaawansowanych agentycznych programistów (agentic coders), wąskie gardło produktywności przesuwa się z możliwości modelu na klarowność użytkownika. Thariq Shihipar, deweloper z Anthropic, sugeruje, że wraz z nadejściem Claude Fable 5 czynnikiem ograniczającym nie jest już inteligencja AI, lecz zdolność użytkownika do identyfikacji własnych „nieznanych elementów”.

Cztery kwadranty wiedzy w promptingu

Aby opanować Fable 5, Shihipar twierdzi, że programiści muszą kategoryzować swoją wiedzę, aby uniknąć pułapek słabego promptingu. Dzieli on luki poznawcze na cztery odrębne kategorie:

• Znane znane (Known Knowns): Jawne instrukcje i dane już obecne w Twoim prompcie.
• Znane nieznane (Known Unknowns): Konkretne pytania lub luki, których świadomie nie rozwiązałeś jeszcze.
• Nieznane znane (Unknown Knowns): Intuicyjna wiedza tak oczywista, że nie pomyślałbyś o jej zapisaniu, ale rozpoznałbyś ją natychmiast po zobaczeniu.
• Nieznane nieznane (Unknown Unknowns): Najniebezpieczniejsza kategoria — krytyczne elementy, przypadki brzegowe lub wymagania architektoniczne, których nawet nie wziąłeś pod uwagę.

Gdy użytkownicy nie biorą ich pod uwagę, wpadają w pułapkę: zbyt duża szczegółowość sprawia, że Fable 5 sztywno trzyma się instrukcji, nawet gdy istnieje lepsza droga, natomiast zbyt duża ogólność powoduje, że model polega na standardowych rozwiązaniach branżowych, które mogą nie pasować do konkretnego zadania.

Strategiczne techniki odkrywania nieznanych elementów

Zamiast od razu przechodzić do implementacji, Shihipar zaleca przeprowadzenie „przeglądu martwych pól” (blindspot pass). Polega to na wykorzystaniu Claude do audytu Twojego modelu mentalnego, zanim powstanie choćby jedna linia kodu. Na przykład, pracując w nieznanym kodzie źródłowym, możesz poprosić Claude: "Pracuję nad dodaniem nowego dostawcy uwierzytelniania, ale nic nie wiem o modułach auth w tym kodzie. Czy możesz przeprowadzić przegląd martwych pól, aby pomóc mi zidentyfikować istotne 'nieznane nieznane'?"

Inne techniki o wysokiej skuteczności obejmują:

• Ustrukturyzowane wywiady: Proszenie Claude o przeprowadzenie z Tobą wywiadu pytanie po pytaniu, priorytetyzując niejasności, które mogłyby fundamentalnie zmienić architekturę systemu.
• Szybkie prototypowanie: Wykorzystywanie artefaktów HTML, aby Claude generował radykalnie różne kierunki projektowe, co pozwala reagować na wizualne „nieznane znane”.
• Planowanie implementacji: Kierowanie Claude do stworzenia planu, który priorytetyzuje zmienne komponenty, takie jak modele danych i interfejsy typów, zanim przejdziesz do mechanicznego refaktoryzacji.

Zamykanie pętli: Dokumentacja i weryfikacja

Proces promptingu nie kończy się w momencie wygenerowania kodu. Aby zarządzać nieznanymi elementami, które ujawniają się podczas wykonywania programu, Shihipar sugeruje używanie Claude Code do prowadzenia pliku implementation-notes.md. Śledzi on każdą podjętą decyzję, zapewniając, że jeśli zadanie pójdzie nie tak, uzasadnienie pozostanie zachowane.

Aby zapewnić pełne zrozumienie przed scaleniem kodu, Shihipar stosuje metodę „quizu”. Claude generuje raport HTML szczegółowo opisujący wszystkie zmiany i spostrzeżenia, a następnie quiz dla programisty. Stosuje on surową zasadę: nie scalaj kodu, dopóki nie zaliczysz quizu bez błędów. Zapewnia to, że programista przeniósł „nieznane” projektu do sfery „znanych”.

Kluczowe wnioski

• Skup się na „nieznanych nieznanych”: Celem zaawansowanego promptingu z Fable 5 jest wykorzystanie AI do ujawnienia tego, o co nawet nie pomyślałeś zapytać.
• Unikaj pułapki szczegółowości: Zachowaj równowagę w promptach, aby nie być zbyt sztywnym (co uniemożliwi AI improwizację) ani zbyt ogólnym (co spowoduje stosowanie generycznych rozwiązań).
• Wdróż proces weryfikacji: Używaj notatek z implementacji, ustrukturyzowanych wywiadów i quizów po implementacji, aby przekształcić kod wygenerowany przez AI w opanowaną wiedzę.