PPT 第 1 页｜A Field Guide to Fable｜严谨开场
Anthropic 最近删掉了 Claude Code 80% 的系统提示词。
不是因为 Claude 变弱了。恰恰相反，是因为 Fable 5 这样的新一代模型变强之后，过去那些详细的规则和示例，反而开始限制它。
PPT 第 2 页｜删除 80% 系统提示词｜原始证据
这个判断不是来自二手测评，而是来自 Claude Code 开发者 Thariq Shihipar。他在 AI Engineer World’s Fair 上，分享了一份 Fable 5 实战指南。
我是 Elise，一名做 Agent 产品的 00 后 AI 产品经理。
这期我们跳过“模型又强了多少”的讨论，直接看一线 builder 为什么开始重做 Prompt、工具和工作流。
PPT 第 3 页｜地图正在展开
Thariq 对 Fable 5 的形容是：The map is opening up，地图正在展开。
就像玩 RPG 游戏时，过去一直处于新手教程，而现在终于进入了开放世界。问题是，开放世界带来的不只是更多能力，也意味着我们过去积累的使用方法可能需要重做。
PPT 第 4 页｜四部分内容预告
接下来只回答四个问题：怎样释放模型能力？怎样发现人的盲区？怎样面对工作方式的变化？以及，生产力提高以后，什么才真正值得做？
PPT 第 5 页｜限制模型的可能是我们
Thariq 在演讲中说，限制模型的可能正是我们自己：我们为它搭建的 harness，也就是运行环境，以及我们使用 Prompt 的方式。
整场演讲最重要的判断就是：模型已经变了，但工具和工作流没变，我们使用的就仍然只是它能力的一小部分。
PPT 第 6 页｜宝可梦案例
如果你问普通聊天模型：所有宝可梦里，哪些名字以 AW 结尾？它很可能回答不出来。
不是它完全不知道，而是单靠记忆在上千个名字里筛选，本来就容易出错。
但 Claude Code 可以完成这个任务。它不需要靠记忆硬猜，而是可以先获取完整的宝可梦列表，再写一段程序进行筛选，最后找到两个答案：Croconaw 和 Drednaw。
重点不是答案，而是 Claude Code 换了一种解决问题的方式：不硬猜，直接调用工具验证。
PPT 第 7 页｜Capability Overhang｜待释放的能力
Thariq 把这种现象称为 capability overhang。
我更愿意把它叫做“待释放的能力”：能力已经在模型里，但产品形态和工具还没有把它释放出来。
AI 的能力并不是每一个维度一起、均匀地增长。它更像是以一种“尖刺式”的方式变强。
一个模型在聊天框里可能无法直接回答某个问题，但当你给它代码执行、搜索、文件系统和反馈机制之后，它可能突然就能完成一整类过去无法稳定完成的任务。
所以，不要再只用聊天框判断模型能力。真正应该问的是：给它搜索、代码执行和反馈以后，它能不能自己把答案找出来？
这也是聊天模型和 Agent 的关键区别：真正工作的不是一个模型，而是一整套“模型加工具”的系统。
PPT 第 8 页｜AI 产品形态也在进化
过去解决上下文问题，我们习惯把更多内容塞给模型。但 Claude Code 的核心不是更大的上下文窗口，而是给模型工具，让它自己搜索、读取和执行。
这条演进路径很清楚：Chat 等人提供上下文；Claude Code 获得执行能力；Claude Tag 则可以在多人协作中，根据事件被主动唤起并继续工作。
AI 不再只是坐在聊天框里等你提问，而是开始进入真实工作流。Claude Tag 很值得单独展开，后面我会再做一期具体讲。
PPT 第 9 页｜再次回到 80% Prompt
现在回到开头的 80%。模型越强，为什么系统提示词反而变短？
早期模型需要大量示例，后来模型更能听懂指令，系统提示词也越写越长。
PPT 第 10 页｜System Prompt Design
但在 Fable 5 这一代模型上，过多示例反而可能限制它。因为模型能够想到的路径，已经超过了人类预先写进示例里的路径。
这不是 Prompt 没用了，而是 Prompt 的工作变了：少规定步骤，多说清目标、背景、边界和完成标准。
PPT 第 11 页｜更像生物学，而不是物理学
Thariq 说，理解模型更像研究生物，而不是套用一条固定公式。模型长出新能力以后，最佳用法也要靠真实使用重新发现。
但模型松绑以后，下一个瓶颈可能变成了人。
PPT 第 12 页｜地图不等于疆域
讲完怎么给 Claude 松绑之后，Thariq 说了一句我很喜欢的话：需要被松绑的，不只是 Claude，还有我们自己。
当我们给 AI 一个任务时，脑海里的计划、Prompt 和需求文档，只是一张地图。
真实的代码库、用户需求、业务规则和现实限制，才是它真正需要穿越的疆域。
而地图上没有标出来、但执行过程中一定会遇到的东西，就是未知点。
PPT 第 13 页｜四种未知
真正危险的，不是需求写得不够长，而是有些问题你根本不知道自己漏掉了。
Thariq 用一个矩阵，把未知分成四种状态。
第一种，是你已经明确知道自己想要什么。这些内容可以直接写进任务。
第二种，是你知道自己还有事情没想清楚。比如应该选什么技术方案，或者产品到底服务哪一类用户。
第三种，是那些你很难提前说出来，但看见方案以后，就能立刻判断的东西。设计风格和交互体验，经常属于这一类。
最后一种，也是最危险的一种，是你根本没有意识到这个问题存在。
例如你以为自己只是在增加一个新的登录方式，但真正开始执行之后，才发现它还涉及旧账号迁移、权限继承、数据合规，以及异常情况下的回滚。
Agent 走得越远，撞上未知的概率就越高。所以，与其继续加长需求，不如先让 AI 帮你找出需求里根本没有出现的问题。
PPT 第 14 页｜实践一｜盲点扫描
接下来是这期最值得收藏的部分：四种今天就能用的方法。
完整中文版 Prompt 已经放在屏幕上，可以暂停或直接复制。
第一个方法，叫做盲点扫描。
开始执行前，先让 AI 寻找那些你没有考虑到、但会改变方案的问题。
重点关注架构、数据、安全、成本和用户体验。这不是让 AI 润色需求，而是让它挑战需求。
PPT 第 15 页｜实践二｜差异化原型
第二个方法，是用差异化原型发现偏好。
如果你说不清自己想要什么，不要硬写完美需求。先让 AI 做四个真正不同的原型。
不是换四种颜色，而是在结构、交互和视觉上真正拉开差异。
你通过比较和反馈，逐渐发现那些原本无法用语言准确描述的偏好。
PPT 第 16 页｜实践三｜让 AI 访谈你
第三个方法，是让 AI 访谈你。
不要一次抛四十个问题。让它每次只问一个，并优先追问那些答案不同，就会改变产品或技术方案的问题。
问题数量不重要，能不能找到关键决策点才重要。
PPT 第 17 页｜References｜快速闪过
References 这一页可以快速闪过：给 AI 一个现有实现，通常比写一大段抽象描述更有效。
但要让它理解参考里的行为和设计意图，而不是机械复制。
PPT 第 18 页｜实践四｜记录执行偏差
第五个方法，是让 Agent 记录执行偏差。
当 Agent 偏离计划时，让它记录原计划、偏差原因、实际选择和影响。
小问题选择保守方案继续；会改变范围、架构或产生不可逆影响的问题，必须停下来问人。
PPT 第 19 页｜实践四｜完成后让 AI 考你
第六个方法，是完成之后，让 AI 反过来考你。
让它生成总结报告，解释改了什么、为什么改、还有什么风险。
然后让它根据这次工作反过来考你。目的不是考试，而是确认你仍然理解这份工作。
PPT 第 20 页｜Staying in the loop
Agent 能自主执行，不代表人可以退出循环。
Human in the loop 不是盯着每一次点击，而是理解关键决策、发现偏差，并对结果负责。
PPT 第 21 页｜效率提升也会带来失落
这场分享没有只谈兴奋，Thariq 还谈到了一种失落感。
他创业时，很多功能需要几周甚至几个月。现在回到同一个代码库，几小时就能完成。
他当然高兴，也会难过。因为他真的喜欢手写代码和掌控整个代码库的感觉。
但他也记得无数没有结果的深夜 Debug 和失败项目。
当 AI 接手我们曾经引以为豪的能力，很多人都会问：如果工作不再那么难，我的专业价值还在哪里？
Thariq 的答案是：The only way out is through。唯一的出路，就是穿过去。
PPT 第 22 页｜少一点“理智”
Thariq 把最后一个建议称为 Being unreasonable，也就是少一点“理智”。
过去做产品，我们习惯在好、快、便宜之间三选二。
但 Agent 能力提高后，不要继续用昨天的生产力，替今天的目标提前设限。
这不是说取舍消失了，而是先让真实执行结果告诉你边界在哪里。
PPT 第 23 页｜构建更容易，创造价值仍然很难
Thariq 最后强调了一句话：Building is easier, but generating value is still hard。
构建正在变得容易，但创造价值依然困难。
当所有人都能更快做出产品，“能不能做出来”会越来越不稀缺。
真正稀缺的是：解决什么问题、为谁解决，以及为什么有人愿意使用。AI 降低了构建成本，但没有替我们决定什么值得构建。
PPT 第 24 页｜三个更底层的变化
所以，这场分享真正值得带走的，不是几个 Prompt 技巧，而是三个更底层的变化。
第一，别只测试模型会不会回答，要给它工具和真实环境。第二，别一味把 Prompt 写长，要让 AI 帮你发现盲区。第三，Agent 可以更自主，但人必须理解关键决策并对结果负责。
PPT 第 25 页｜结尾
下一次使用 AI，先别急着继续优化 Prompt。
先让它做盲点扫描，再生成几个差异足够大的原型；完成后记录偏差，并反过来考你。
然后看看：改变工作方式以后，你使用的还是不是“同一个模型”。
我是 Elise。这个系列，我们会少听一点二手观点，直接拆解全球一线 AI builders 正在怎么做。
就像 Thariq 在演讲最后说的：Go explore, make it real, and be less reasonable。
去探索，把它做成真的，然后少一点“理智”。
