精通 Claude Fable 5：如何通过发现盲点来进行提示
随着 AI 模型从简单的聊天机器人演变为复杂的智能体编程助手 (agentic coders)，生产力的瓶颈正在从模型能力转向用户的清晰度。Anthropic 开发人员 Thariq Shihipar 指出，随着 Claude Fable 5 的到来，限制因素不再是 AI 的智能，而是用户识别自身“未知领域”的能力。
提示词中的知识四象限
Shihipar 认为，要精通 Fable 5，开发者必须对自己的知识进行分类，以避免提示词质量不佳带来的陷阱。他将认知差距分为四个不同的类别：
- 已知之已知 (Known Knowns)： 提示词中已经存在的明确指令和数据。
- 已知之未知 (Known Unknowns)： 你清醒意识到尚未解决的具体问题或空白。
- 未知之已知 (Unknown Knowns)： 极其直观的知识，以至于你不会想到将其写下来，但一旦看到就会立刻识别出来。
- 未知之未知 (Unknown Unknowns)： 最危险的类别——你甚至还没有考虑到的关键要素、边缘情况或架构需求。
当用户未能考虑到这些因素时，就会陷入陷阱：提示词过于具体会导致 Fable 5 即使在存在更好路径的情况下也刻板地执行指令；而提示词过于模糊则会导致模型依赖可能不符合特定任务的行业默认设置。
揭示未知的策略技术
Shihipar 建议不要直接进入实现阶段，而是进行一次“盲点审查 (blindspot pass)”。这包括在编写任何代码之前，使用 Claude 来审计你的心理模型。例如，如果你正在处理一个不熟悉的 codebase，你可以提示 Claude：“我正在尝试添加一个新的身份验证提供程序 (auth provider)，但我对这个 codebase 中的身份验证模块一无所知。你能进行一次盲点审查，帮我找出相关的‘未知之未知’吗？”
其他高杠杆技术包括：
- 结构化访谈： 要求 Claude 逐个问题地对你进行访谈，优先处理那些会从根本上改变系统架构的模糊之处。
- 快速原型设计： 利用 HTML artifacts 让 Claude 生成截然不同的设计方向，从而让你对视觉上的“未知之已知”做出反应。
- 实现规划： 指导 Claude 创建一个计划，在进行机械性的重构之前，优先处理数据模型和类型接口等易变组件。
闭环：文档记录与验证
提示词的过程并不会在代码生成后就结束。为了管理执行过程中出现的未知情况，Shihipar 建议使用 Claude Code 来维护一个 implementation-notes.md 文件。这可以追踪所做的每一个决策，确保如果任务出现偏差，其推理过程也能被保留下来。
为了在合并代码前确保完全理解，Shihipar 采用了“测验”法。Claude 会生成一份详细列出所有更改和见解的 HTML 报告，随后为开发者进行测验。他坚持一条严格的规则：在通过无误的测验之前，不要合并代码。这确保了开发者已将项目的“未知”转化为“已知”。
核心要点
- 关注“未知之未知”： 使用 Fable 5 进行高级提示的目标是利用 AI 来揭示那些你甚至还没想到要去问的问题。
- 避免具体性陷阱： 平衡你的提示词，避免因过于死板而导致 AI 无法发挥，或因过于模糊而导致其采用通用的解决方案。
- 实施验证工作流： 利用实现笔记、结构化访谈和实现后的测验，将 AI 生成的代码转化为掌握的知识。