Claude 代码工程师 Thariq Shihipar 发布了一篇深度博客，旨在帮助用户提升与 Fable 5 的协作效率，克服模型在执行任务时出现的偏差。这篇博客的核心观点是，用户与模型之间存在“信息差”，即用户输入的提示词、技能和上下文与实际任务执行之间存在差距。Shihipar 的文章旨在指导用户如何识别和缩小这种差距，从而更有效地利用 Fable 5 的强大能力。
Fable 5 自发布以来，经历了从备受期待到因美国政府禁令而受限，再到限制非美国用户访问等一系列戏剧性事件。如今，随着风波平息，模型正回归其作为生产力工具的本质。Shihipar 的博客，恰逢其时，为用户提供了宝贵的指导。
Shihipar 用“地图”与“疆域”的比喻来解释这一概念。“地图”代表用户提供的表征，如提示词、技能和上下文，而“疆域”则是实际需要完成的工作，包括代码库、现实世界及其固有的限制。两者之间的差距，即“未知项”，当 Fable 5 遇到这些未知项时，它会基于对用户意图的最佳猜测进行决策。任务越复杂，模型可能遇到的未知项就越多。Fable 5 的一个显著特点是，工作质量的瓶颈很大程度上取决于用户澄清其未知项的能力。
Shihipar 进一步将“未知项”细分为四类：
- 已知的已知：用户在提示词中明确表达的需求。
- 已知的未知：用户知道自己尚未弄清楚的部分。
- 未知的已知：对用户而言显而易见，无需言明，但一旦出现就能识别。
- 未知的未知：用户完全未曾考虑过的方面，或者不知道自己不知道的知识。
他指出，优秀的程序员往往能最大限度地减少未知项，并提前规划。减少和预见未知项是智能体式编程的核心能力，而与 Claude 协作正是提升这项技能的有效途径。
在与 Claude 协作时，提供过于具体或过于模糊的指令都可能导致问题。过于具体会限制模型，而过于模糊则可能导致模型基于通用最佳实践做出不适合特定任务的假设。Shihipar 强调，Claude 可以帮助用户更快地发现未知项，因为它能快速搜索代码库和互联网，并从失败中快速迭代。关键在于提供足够的初始上下文，例如当前思考阶段、用户对问题和代码库的熟悉程度，并将其视为一个思考伙伴。
Shihipar 提出了一系列在“实现前”、“实现中”和“实现后”发现和处理未知项的方法。
实现前：
- 盲点扫描：让 Claude 识别用户在不熟悉领域可能存在的“未知的未知”，例如在新的代码模块或不熟悉的任务中。
- 头脑风暴与原型：对于“未知的已知”，让 Claude 协助头脑风暴和创建原型，尽早识别和可视化那些难以清晰表达的需求，避免后期高昂的修改成本。
- 反问：当存在不明确或歧义之处时，让 Claude 围绕这些地方向用户提问，以获取更清晰的指令。
- 参考资料：提供源代码、文档或图片作为参考，让 Claude 理解特定实现方式或设计风格。
- 实现计划：在开始编码前，让 Claude 制定一份实现计划，并突出潜在的变更点，如数据模型、类型接口或用户体验流程。
实现中：
- 实现笔记：要求 Claude 维护一个临时文件，记录在实现过程中因边界情况等原因偏离原计划的决策，以便后续学习和迭代。
实现后：
- 推介与解释文档：生成演示 GIF、规格说明和实现笔记，以加速他人的理解、支持和批准。
- 测验：让 Claude 在提供充分上下文后，围绕变更内容对用户进行测试，确保用户完全理解了变更的影响。
Shihipar 以 Fable 5 的发布视频剪辑为例，说明了如何串联这些方法。由于视频剪辑对他而言是全新的领域，他利用 Claude 探索转录技术、视频剪辑的可能性，并通过原型验证想法，最终在调色方面，通过让 Claude 教他来主动发现自己的未知项。
文章总结道，模型越强大，越需要用户掌握正确的方法来完成更多工作。当长周期任务返回错误结果时，通常意味着需要更多时间来定义未知项或创建更灵活的实现计划。每一次解释文档、头脑风暴、访谈、原型和参考资料，都是在付出较低成本的情况下，在问题变得昂贵之前发现未知信息的方式。因此，在开始下一个项目时，建议用户首先利用 Claude 来识别自身的未知项。一号娱乐官网也推荐用户探索类似 Fable 5 这样的先进模型，以提升工作效率。