夜雨聆风Lance Martin 在网上发了一篇文章，标题叫《Designing loops with Fable 5》。表面看，它是在分享 Anthropic 内部怎样使用 Claude Fable 5。往深一点看，它讲的是下一阶段 Agent 工程的重心变化：模型本身当然重要，但更重要的是你给它设计了什么样的循环。
Lance Martin 原帖文章卡片。原帖发布于 2026 年 6 月 9 日，抓取时约 24.6 万浏览。
文章的开场很直接：
❝Mythos-class models like Claude Fable 5 have changed the way many of us work at Anthropic. I want to share two tips for getting the most out of this class of models.
❞
他要分享的两个 tips，不是“多写几个 prompt 技巧”，而是两个系统设计方法：
Self-correction loops：让模型在外部反馈中自我修正 Memory：让模型跨 session 复用经验，而不是每次从零开始
原文封面图。注意这张图里的核心不是“一个 Agent”，而是 Agent、workers、memory、review 之间形成的闭环。
这篇文章之所以值得深挖，是因为它把一个容易被忽略的事实说透了：长任务 Agent 的能力，不是靠一次更聪明的回答释放出来的，而是靠一套能持续纠错、评分、记忆、复用的运行时释放出来的。
不是“让模型反思”，而是让环境给它反馈
Lance 先讲 self-correction loops。
他提到，最近大家都在谈 loop。Anthropic 的 Boris Cherny 曾说自己的工作就是 “write loops”。这句话很有意思。它把 Agent 工程从“写提示词”往前推了一步：你不是在写一段让模型听话的文本，你是在写一个让模型反复试错、接收反馈、修正方向的环境。
在 Claude Code 里，/goal 是这种思路的一个入口。在 Claude Managed Agents 里，Outcomes 是另一个入口。它们做的事情相似：你不只是告诉模型“做这件事”，而是告诉系统“什么叫做做完”。
Anthropic 的 Outcomes 文档把这句话说得很清楚：
❝Tell the agent what “done” looks like, and let it iterate until it gets there.
❞
这和普通 prompt 的差别很大。
普通 prompt 更像一次请求。你写得越细，模型越可能一次性接近目标。但一旦任务变长，问题就来了：它会遗漏检查项，会把看起来完成的东西当成完成，会在错误方向上越走越远。
Loop 的做法不同。它把“完成标准”放进环境里，让模型每一轮都能拿到反馈。模型运行、观察结果、读取日志、对照 rubric、修正下一步，直到外部机制判定任务满足条件。
这张结构图是本文新增的理解图：Prompt 负责启动模型，Loop 才负责把模型变成可托付的工作系统。
这也是 Lance 文章里最值得记的一句话：与其直接 prompting 和 steering Fable 5，不如设计 loops，让模型响应环境反馈来自我纠错。
Parameter Golf：为什么 Fable 5 敢做结构性实验
Lance 给了一个具体实验：Parameter Golf。
Parameter Golf 是 OpenAI 的 Model Craft Challenge。任务听起来像机器学习版高尔夫：在极小限制里打出最好成绩。参赛者要训练一个语言模型，整个 artifact 必须小于 16 MB，训练时间少于 10 分钟，硬件预算是 8×H 100，评估指标是 FineWeb validation set 上的 bits per byte。
OpenAI 官方复盘里写过，这个挑战吸引了 1000+ 参与者和 2000+ 提交，讨论的不是“堆更大模型”，而是在严苛约束下做模型设计、量化、训练代码和实验策略。
Lance 用这个任务测试 Fable 5 很合理。它不像普通问答，不能靠背知识过关。它要求 Agent 真正做研究循环：
修改 train_gpt.py启动训练 轮询日志 读取分数 判断下一轮实验 继续调整架构、常数、量化或训练策略
Lance 把这个过程类比为 Karpathy 的 autoresearch 项目。这个类比很准，因为它测试的不是“模型会不会写代码”，而是“模型能不能像研究员一样做连续实验”。
他的实验设置也很重：使用 Claude Managed Agents，给 CMA 接入 8×H 100 的 self-hosted sandbox，每次最多跑 8 小时。每个测试都提供一个 rubric 文件，其中有 9 个可检查条件，比如跑 baseline、跑 20 个实验等。Outcomes grader 只有确认所有实验标准都满足，才允许 Claude 停止工作。
结果是：Fable 5 对训练 pipeline 的改进约为 Opus 4.7 的 6 倍。
更有意思的是差异不只在分数上，而在策略上。Lance 把实验分成两类：
structural：结构性实验，比如改架构 scalar：标量实验，比如调一个常数
Fable 5 更愿意押注大的结构性变化，并且更有韧性。原文举了一个细节：它曾经遇到量化回归，但仍然推进下去，最后拿到最大收益。
Opus 4.7 则更像保守优化器。第一个实验拿到小收益后，后续几乎都沿用同一模板：调一个标量，测一下，如果正向就保留。
这个对比很真实。很多 Agent 在长任务里看起来“稳定”，其实是过早收敛。它们找到一个局部有效模板后，就不断微调，很少跳出当前假设。Fable 5 在 Lance 的实验里更像一个敢改实验范式的研究员。
真正关键的是 grader，不是 self-critique
Lance 在文章里特别强调：what does the judging is important。
这句话需要单独拎出来。
很多人说“让模型自我反思”“让模型检查自己的答案”。这当然有用，但上限有限。原因很简单：同一个上下文里的自我批评，很容易被自己的叙事带偏。模型刚刚写完一个方案，它天然知道自己为什么这么写，也更容易相信自己已经覆盖了要点。
Lance 提到，Anthropic 观察到模型对自己输出做 self-critique 会有问题。相比之下，verifier sub-agent 往往更好，因为 grading 在一个独立 context window 中完成。
Claude Managed Agents 的 Outcomes 正是这样设计的：主 Agent 写，grader sub-agent 用 rubric 检查。grader 是独立上下文，不背着主 Agent 的自我解释，不被“我刚才已经做过了”的幻觉影响。
Anthropic Cookbook 里有一个很好的说法：Agent 很擅长产出“看起来完成”的东西。比如一份带引用的研究 brief，格式工整，脚注齐全。但仔细看，可能覆盖不够，引用漂移，来源只是新闻稿而不是原始文件。
Outcomes 的价值就在这里。它不是让模型“更努力”，而是让检查变成系统的一部分。
一个好的 rubric 也不是一句“检查内容是否完整”。它要让 grader 产出证据。比如：
打开 cited URL，确认页面真实可读 搜索引用原文，确认 quote match 判断这段引用是否真的支持正文 claim 对每个失败项给出具体原因
Cookbook 里的示例很说明问题。一个 research brief 第一次被 grader 驳回，因为 demand charges 只有定性描述，没有 $/kW 或成本比例。第二次又被驳回，因为作者找到了 sec.gov URL，但那是 8-K 的 earnings press release exhibit，不是 rubric 要求的 10-K 或 10-Q。第三次找到真正的 10-K 后才通过。
这就是工程意义上的“好循环”：不是让模型说“我检查过了”，而是让另一个上下文里的检查者逼它拿证据。
Memory 不是记事本，是跨 session 的外循环
Lance 的第二个重点是 Memory。
他把 memory 称为一个跨 session 的 outer loop。Claude 在一个 session 里写入 memory，未来 session 再检索这些 memory。
这里最容易误解。很多人以为 memory 就是“保存历史”。其实那只是最低级的形态。真正有效的 memory，不是把所有失败都记下来，而是把失败变成可验证、可复用、下次会主动查阅的规则。
Lance 用 Continual Learning Bench 1.0 做了测试。
Continual Learning Bench 关注的是 Agent 能不能在连续任务中学习，而不是每个任务都从零开始。
Continual Learning Bench 的问题意识很明确：传统 benchmark 往往假设模型是 stateless 的。每个样本互相独立，系统做完一个任务就离开，好像什么都没发生过。但真实部署的 AI 系统应该能从经验中学习。
它评估的是有顺序的任务序列：
任务之间不是独立的 系统允许，甚至被期待在评估中改变 早期实例包含对后续实例有用的信息 表现取决于系统如何使用经验
官网还引入了 gain 指标：reward 减去同一系统的 stateless baseline，用来衡量系统到底从经验里学到了多少。
Lance 选择了其中一个 SQL 数据库任务。每个问题都是一个独立 agent session，但系统提供 memory。Agent 要在连续问题中逐渐理解数据库、字段、单位和陷阱。
他总结出有效 memory 的五步：
fail：答错，并记录下来 investigate：继续前弄清楚为什么错 verify：把诊断变成检查过的事实 distill：把验证结果提炼成通用规则 consult：下次读取规则，而不是重新推导
这五步很朴素，但很关键。它把 memory 从“日志”提升成“学习机制”。
Sonnet、Opus、Fable 的差异：谁真的会用记忆
Lance 对三个模型的描述很有信息量。
Sonnet 4.6 大约停在第一步。它的 memory store 主要是失败笔记和开放猜测，比如：
❝maybe prc instead of prc_usd?
❞
它很少主动查阅之前的笔记。也就是说，它会记，但不会真正用。要提升表现，需要额外写 task-specific memory instructions。
Opus 4.7 大约走到第三步。它会创建 schema reference，也会标注不确定性，比如：
❝possibly prc in cents? Verify.
❞
但它的验证覆盖率很低。Lance 给的数据是 7–33%，中位数约 17%。这说明它知道“这里可能有问题”，但没有稳定把怀疑变成确认事实。
Fable 5 则倾向于完成整个流程。在强 run 里，它的 verification coverage 最高到 73%，也就是 30 个问题里验证了 22 个，并且会把 learnings 提炼成帮助未来任务的通用规则。
这段对比其实比“某 benchmark 提高多少分”更有价值。它描述的是 Agent 的行为质量：
会不会承认自己错了 会不会调查错误原因 会不会验证假设 会不会把经验提炼成规则 下次会不会主动查阅这些规则
这些能力组合起来，才叫在线学习。否则 memory 只是更长的上下文垃圾桶。
官方 Fable 5：强模型，也是一组安全约束下的系统产品
Lance 的文章是内部使用视角。要完整理解它，还得看 Anthropic 官方发布文。
Anthropic 在 2026 年 6 月 9 日发布 Claude Fable 5 和 Claude Mythos 5。官方说法是：Fable 5 是一个 Mythos-class 模型，但经过安全化，可以一般使用。Mythos 5 则是同一底层模型，在部分高风险领域解除 safeguards，先面向 cyberdefenders 和 infrastructure providers 这样的 trusted access 场景。
Anthropic 官方模型能力对比图。Fable 5 / Mythos 5 被放在同一列展示，强调它们是同一底层能力的不同访问形态。
官方最值得注意的不是“跑分领先”，而是这句话：
❝The longer and more complex the task, the larger Fable 5’s lead over our other models.
❞
这和 Lance 的文章完全对上。Fable 5 的优势不是短问答，而是长任务里的持续推进、纠错、记忆和工具使用。
官方还提到 Fable 5 / Mythos 5 能比之前任何 Claude 模型更长时间自主工作，能力覆盖软件工程、知识工作、视觉、memory、生命科学等领域。
几个官方例子也很夸张：
Stripe 早测反馈：在 5000 万行 Ruby codebase 中，Fable 5 一天完成原本一个团队手工超过两个月的 codebase-wide migration。 Cognition FrontierCode：Fable 5 在 frontier models 中得分最高。 Memory and long-context：在百万 token 长任务中保持专注，并使用自己的 notes 改进输出。 Slay the Spire 示例：持久文件记忆对 Fable 的 performance 提升是 Opus 4.8 的 3 倍。
官方图表强调 Fable 5 / Mythos 5 在长任务、Agentic coding、工具使用和专业任务上的优势。
但这次发布也有一个重要背景：安全。
Anthropic 明确说，Mythos-class 模型在 cybersecurity 等领域能力很强，可能被误用。因此 Fable 5 上线时带有 safeguards。对 cybersecurity、biology/chemistry、distillation 等请求，分类器会触发 fallback，由 Claude Opus 4.8 接管。官方称超过 95% 的 Fable sessions 不会触发 fallback。
价格也公布了：每百万输入 token 10 美元，每百万输出 token 50 美元。
这个定价本身也说明了一点：长循环 Agent 不是免费的魔法。它会消耗大量 token、工具调用、sandbox 时间和验证成本。未来真正的产品差距，不只是“我接入了最强模型”，而是“我能不能用合理成本跑出可靠闭环”。
这篇文章对 Agent 产品的启发
我觉得 Lance 这篇文章最有价值的地方，是它把“Agent 能力”从模型榜单拉回到系统设计。
过去一年，很多人评价 Agent，还是在问：哪个模型更强？哪个模型写代码更好？哪个模型上下文更长？这些问题当然重要，但已经不够了。
更好的问题应该是：
任务有没有清晰的 done definition？ rubric 是否具体到 grader 可以检查？ grader 是否独立于 writer 的上下文？ 环境是否能提供真实反馈，而不是只让模型脑补？ 失败是否会被调查、验证、提炼为规则？ 下一次 session 是否真的会读取这些规则？ 系统是否知道什么时候该继续、什么时候该停？
如果这些问题没有答案，再强的模型也容易变成“会说话的长任务赌博机”。它会跑很久，会产出很多东西，但你不知道它是因为真的接近目标才停，还是因为它觉得自己差不多了。
Fable 5 的出现让这件事更明显。强模型会放大好系统，也会放大坏系统。你给它一个好 loop，它能自我修正、扩大实验半径、沉淀经验。你只给它一个含糊 prompt，它也可能更自信地把错误包装成完成。
写在最后：Prompt 启动模型，Loop 才让模型可托付
Lance Martin 的文章标题叫《Designing loops with Fable 5》，这个标题选得很准。
它没有叫 “Prompting Fable 5”。也没有叫 “How to use Fable 5 better”。它叫 designing loops。
这基本就是下一阶段 Agent 工程的关键词。
Prompt 仍然重要，但它越来越像启动器。真正决定长任务质量的，是后面的运行结构：goal、rubric、grader、sandbox、logs、memory、filesystem、verification、stop condition。
Parameter Golf 说明了自我纠错循环的价值。好的目标和外部评分，会逼 Agent 从小修小补走向更大胆的结构性探索。
Continual Learning Bench 说明了记忆循环的价值。好的 memory 不是历史堆积，而是从错误中提炼出下次能用的规则。
Anthropic 官方 Fable 5 发布则说明，模型公司也在往这个方向走：更强的长任务模型、更长的自主运行、更强调 memory 和 tool use，同时用 safeguards、fallback 和 trusted access 控制风险。
我的判断是：以后 Agent 产品的分水岭，不会只是“用了哪个模型”。真正的差距会越来越像操作系统和工作流引擎的差距。
谁能把任务定义、外部验证、长期记忆和环境反馈设计成稳定闭环，谁就能把模型能力转化成真正可托付的工作能力。
一句话：
「Prompt 负责启动模型，Loop 负责让模型变成系统。」
参考来源
Lance Martin X 原文：https://x.com/rlancemartin/status/2064397389189071163 Anthropic：Claude Fable 5 and Claude Mythos 5：https://www.anthropic.com/news/claude-fable-5-mythos-5 Claude Fable 官方页：https://www.anthropic.com/claude/fable Claude Managed Agents / Define outcomes：https://platform.claude.com/docs/en/managed-agents/define-outcomes Claude Cookbook / Outcomes verifier：https://platform.claude.com/cookbook/managed-agents-cma-verify-with-outcome-grader OpenAI Parameter Golf repo：https://github.com/openai/parameter-golf OpenAI Parameter Golf 复盘：https://openai.com/index/what-parameter-golf-taught-us/ Continual Learning Bench：https://continual-learning-bench.com/
