2026年7月6日，Anthropic的Claude Code工程师Thariq Shihipar公开发布了《A Field Guide to Claude Fable: Finding Your Unknowns》。这不是又一份提示词技巧文档。就在一个月前，Thariq用Claude Code从零剪辑Fable 5发布视频，过程中他让模型扫描自己"不知道自己不知道"的盲区，学完了调色知识。这套方法论标志着AI协作的核心矛盾发生了转移：当Fable 5把系统提示词砍掉80%、模型智商不再是瓶颈后，产出质量的天花板变成了开发者自身澄清未知的能力。

Claude Fable 实地指南：发现你的未知｜Anthropic 官方博客

地图不是疆域：砍掉80%提示词后的新瓶颈

2026年6月9日，Anthropic正式发布Claude Fable 5与Mythos 5模型。Fable 5为带安全分类器的广泛发布版，Mythos 5为解除部分限制的受邀版。7月发布的实地指南，本质上是对Fable 5时代工作流的官方确认。

在传统的AI响应模式中，开发者习惯把"地图"画厚。面对不够聪明的模型，开发者需要在系统提示词中堆砌详尽的Few-shot示例和严格约束。Claude Code原系统提示词一度达到65k Token。Fable 5上线后，Anthropic直接删减了80%的系统提示词，策略从"给约束"转向"给上下文"。

这种删减不是随意的压缩，而是对模型能力跃升的直接回应。65k Token的系统提示词中，包含了大量关于代码风格、文件操作规范、安全边界的硬性规则。这些规则在弱模型时代是必要的兜底机制，防止模型在长会话中偏离轨道。但Fable 5的推理能力已经足够强大，能够在没有这些硬性约束的情况下，根据上下文自行判断正确的操作路径。Anthropic的工程师在内部测试中发现，保留过多硬性规则反而会干扰Fable 5的决策。模型会为了遵守某条规则而绕过更优的解决方案，或者在规则之间存在冲突时陷入犹豫。

这种转变基于一个残酷的事实：Fable 5足够聪明，一旦开发者的"地图"没标出"未知"，它会用极高的效率在错误的方向上狂奔。在弱模型时代，开发者拼命把Prompt写厚是为了兜底，防止模型理解偏差。但在Fable 5时代，过厚的约束反而成了枷锁。如果系统提示词规定了太多死板的规则，Fable 5可能会为了遵守规则而绕过实际目标。Anthropic删减提示词的举动，实际上是在解放模型，让它依赖上下文和自身的推理能力，而不是机械的规则匹配。

传统模型遇到模糊指令时，通常基于行业最佳实践"脑补"执行，或者直接报错拒绝。这导致开发者在代码合并后经常发现AI引入了隐蔽的架构偏差。一个典型的场景是：开发者在Prompt中描述了一个用户认证模块的需求，但没有明确指定密码加密算法。传统模型会默认使用MD5或SHA1等常见但已不安全的算法，因为它在训练数据中见过大量这类实现。开发者直到安全审计时才发现这个问题。Fable 5改变了这一逻辑。产出质量的瓶颈从模型推理能力，转移到了开发者自身的领域专长与定义未知的能力。如果开发者无法清晰界定任务的边界和潜在风险，Fable 5的强大推理能力反而会加速错误代码的生成。

对比维度
传统AI响应模式 (如Opus 4.8及以前)
Claude Fable 5范式 (结合Field Guide)

Prompt策略
堆砌厚度，提供详尽Few-shot示例和严格约束（System Prompt达65k Token）
做减法，删减80%约束，提供起点上下文，解放模型

遇到模糊时
基于行业最佳实践"脑补"执行，或直接报错拒绝
主动反问，要求人类澄清，将Unknown Unknowns转化为Known Unknowns

人机角色
人类是"包工头/架构师"，AI是"执行工人"
人类是"领域专家/思考伙伴"，AI是"苏格拉底式反问者"与"原型生成器"

验收方式
人类Review代码Diff
AI生成报告并出题"测验"人类，确保人类理解暗箱操作

核心瓶颈
模型的推理能力与上下文记忆
开发者自身的领域专长与定义未知的能力

四类未知矩阵：AI如何反问开发者

实地指南的核心是将任务问题划分为四类：已知的已知、已知的未知、未知的已知与未知的未知。结合Claude Code，这四类未知映射到具体的提示模式，覆盖了从实现前到实现后的完整生命周期。

已知的已知对应实现计划。在大型代码库重构中，开发者明确知道哪些模块需要改动，但不确定改动的先后顺序。开发者可以要求AI把最可能变动的数据模型放前面审阅，机械重构放后面。这确保了AI在执行前先与开发者对齐核心架构，避免在底层接口未定时就生成了大量上层业务代码。在一个包含5000万行Ruby代码的Stripe级别代码库迁移中，这种排序策略能够显著减少返工。如果AI先完成了上层业务逻辑的改写，随后底层数据模型发生变动，所有上层代码都需要重写。

已知的未知对应面试。这是Fable 5最具颠覆性的模式之一。AI不再被动等待指令，而是反过来面试开发者。在设计一个高并发的API接口时，开发者可能清楚自己需要处理大量请求，但对具体的限流策略或缓存一致性方案没有定论。开发者可以要求AI："优先问那些我的回答会改变架构设计的问题。"AI可能会反问关于数据一致性要求、峰值QPS预期或降级策略的具体指标。通过这种反问，AI逼迫开发者把模糊的想法具象化。

在一个微服务架构的设计场景中，开发者告诉Fable 5需要实现一个订单服务。Fable 5不会直接开始写代码，而是会反问：订单状态变更是否需要跨服务事务保证？如果需要，是采用Saga模式还是两阶段提交？库存扣减是在订单创建时预扣还是支付成功后实扣？这些问题中，每一个的回答都会直接改变最终的架构设计。开发者在回答这些问题的过程中，实际上是在完成自己的架构设计。

未知的已知对应头脑风暴与原型。针对"看到才知道想要什么"的审美或直觉问题，开发者可以让AI用HTML生成多个不同方向的原型供人类做选择题。在开发一个数据看板时，开发者可能无法用语言精确描述理想的交互布局。让Fable 5生成四个不同侧重点的HTML原型，开发者可以直观地从中挑选并组合元素。这种模式承认了人类认知的局限性，用快速原型弥补语言描述的不足。

未知的未知对应盲点扫描。开发者直接指令AI："帮我找出我在这个模块里的未知未知。"在处理一个看似简单的支付回调逻辑时，开发者可能忽略了并发请求导致的重复扣款风险，或者第三方网关的超时重试机制。AI会基于对代码库的全局视角，指出开发者可能忽略的边界条件、历史遗留坑点或潜在的安全隐患。

Thariq在剪辑Fable 5发布视频时，正是利用了盲点扫描。他对调色一无所知，通过让Claude Code扫描视频处理流程中的盲区，模型主动指出了色彩空间转换和LUT应用的关键知识点。具体操作流程是：Thariq首先让Claude Code加载视频文件并分析其色彩元数据，然后指令模型"找出我在调色流程中可能忽略的技术细节"。Claude Code返回了一份清单，包括Rec.709与Rec.2020色彩空间的差异、Log编