当AI强到一定程度,瓶颈就从「模型能不能做」变成了「你能不能把话说清楚」

2026年6月9日，Anthropic悄然发布了Claude Fable 5。没有大规模预热，没有铺天盖地的发布会——但这款模型上线仅一个月，就在Arena综合榜与代码榜双双登顶。与此同时，一个尴尬的问题浮出水面：很多人发现自己“不配”用这款模型。

不是买不起——每百万输入token 10美元、输出50美元的价格虽然不低，但也不至于让人望而却步。真正的问题是：你手里的那件事，值不值得让Fable出手？你能不能把需求说清楚，让它真正发挥实力？

---

从“模型能不能”到“你能不能”

Claude Code团队核心工程师Thariq Shihipar在与Fable 5朝夕相处后，写下了一句被疯传几十万次的话：

“这是第一个让我觉得，工作质量的瓶颈在于我澄清未知的能力的模型。”

以前模型不够强的时候，瓶颈在模型那边——你只管拼命把需求写清楚，能不能做到是模型的事。但Fable 5把位置调换了：模型强到一定程度，卡住你的不再是它，而是你自己。

Thariq用一个经典比喻解释了这件事：地图不等于领土。

地图：你写的prompt、你调的技能、你喂的上下文——你塞给Claude的那份说明书
领土：真正干活的地方——代码库、真实世界、那些绕不开的约束

地图和领土之间的差距，叫做「未知」（Unknowns）。Claude每撞上一个未知，就只能按它对“你想要什么”的最佳猜测来做决定。任务越长、越复杂，撞上的未知就越多，猜错的概率也越大。

给指令本身就是走钢丝：

太具体：Claude会死守你的话，哪怕明明该转向，它也一条道走到黑
太模糊：它又会按“行业最佳实践”自己猜，猜出来的未必对你的路子

不把未知想在前面，两头都会翻车。

---

四种未知：你在哪一层？

Thariq把未知拆成四类：

已知的已知（Known Knowns）：写在prompt里的内容，你明确知道自己要什么。这是最基础的层次——你知道问题是什么，也知道答案是什么。

已知的未知（Known Unknowns）：你还没想明白，但你知道自己没想明白。比如你知道“这个模块的性能需要优化”，但不确定具体怎么优化。

未知的已知（Unknown Knowns）：显而易见到你懒得写下来、但一看到就知道对不对的东西。比如审美、代码风格、UX直觉——你心里有数，但不会主动说出来。

未知的未知（Unknown Unknowns）：你压根没想过、甚至不知道自己不知道的东西。这是最坑的一类——你不知道该问什么问题，不知道什么叫好，不知道前人踩过哪些坑。

顶尖的智能体式程序员（agentic coder），比如Anthropic的Boris和Jarred，未知都很少——看他们写prompt就知道，要什么门儿清，对代码库和模型的脾气也门儿清。但他们照样会给未知留预案。

某种意义上，减少未知、为未知做预案，就是智能体式编程这门手艺本身。

---

三阶段实战：把未知一个个挖出来

Thariq给出了一整套流程，分实施前、中、后三个阶段。

实施前：五招挖出盲区

第一，盲区扫描（Blind Spot Pass）。进陌生代码库、干不熟的活，直接对Claude说：“帮我做一次blindspot pass，找出我的unknown unknowns，讲给我听。”让它把你的盲区挖出来，顺便教你怎么把prompt写得更好。

第二，头脑风暴加原型（Brainstorms & Prototype）。视觉设计这种“看到才知道要什么”的东西，别急着接后端。先让Claude用一个HTML页面甩你四个截然不同的方向，你挑。未知已知在原型期发现，成本几乎为零；拖到实施期才发现，规格上一个小改动，代码可能天翻地覆。

第三，结构化面试（Interviews）。让Claude逐一提问关于模糊不清之处，优先处理会改变架构的问题。

第四，参考代码（References）。参考代码（即使使用不同编程语言）是最好的参考依据。

第五，实施计划（Implementation Plan）。在动手之前先把计划写清楚。

实施中：记笔记，留后路

在实施阶段，让Claude建立一份“implementation-notes.md”暂存文件，记录所有决策。当出现非预期的边界情况时，Claude应选择保守方案、记录偏差并继续执行。

实施后：答辩与测验

完成之后，用“ pitches and explainers”为利益相关者整理原型、规格与实施笔记。再通过“quizzes”生成HTML报告，包含变更脉络与洞察，由开发者进行测验，确认完全正确后才合并代码。

Thariq总结了一句话：

“每一个说明、头脑风暴、访谈、原型和参考，都是一种低成本的方式，让你在问题变得昂贵之前找出自己不知道的事。”

---

Fable 5到底是什么？凭什么值得这套方法论？

说了这么多方法论，Fable 5本身到底有多强？

Fable 5是Anthropic首个向公众开放的Mythos（神话）级别模型。在此之前，Mythos级别仅限特定机构使用。Anthropic官方称，Fable 5在软件工程、知识工作、视觉理解、科学研究等领域均处于顶尖水平。任务越长、越复杂，它相对此前模型的优势越大。

最炸裂的实战案例来自Stripe：在一个5000万行的Ruby代码库中，Fable 5在一天内完成了全代码库的迁移——而原本这一工作需要一个团队人工操作2个月才能完成。

另一个案例来自Google DeepMind的设计负责人：他用Fable 5把2003年的PC游戏《命令与征服：将军：零时》原生移植到了iPhone和iPad上——只用了40分钟。Fable重构了一整套原生触控：点选单位、拖拽框选、长按取消、双指滚动、捏合缩放——全是AI写的。

Fable 5的自主运行时间也比以往任何Claude模型都要长。有用户让它自主执行任务，它能在后台连续运行长达12个小时，期间几乎零断连、零崩溃。

但Fable 5并非没有代价。

---

贵，而且不是“随手用的那种强”

Fable 5的API单价是Claude Opus 4.8的两倍。更关键的是，它的使用方式天然会把任务拉长——长上下文、复杂代码、多步骤推理、工具调用和自我检查。有用户在Reddit反馈，重度任务中用量大约每分钟掉2%的额度。有人调侃：Fable 5很擅长两件事——写代码和掏空银行账户。

Every首席执行官Dan Shipper的评价很直接：“Fable 5很慢，很吃token。它适合最重的工作……拿它做日常知识工作，像用火箭发射器拍蚂蚁。”

一个模型能完成某个任务，并不等于它应该被用在这个任务上。Fable 5之后，更多人开始问另一个问题：这件事值得用这么重的模型吗？

---

结语：Fable 5教给我们的事

Fable 5的出现，揭示了一个被很多人忽略的真相：

当AI的能力越过某个阈值，真正的瓶颈就从模型回到了人类自身。

你不再需要担心“模型能不能做到”——你需要担心的是“我能不能说清楚我要什么”。

这不是一个技术问题，这是一个认知问题。Thariq的四类未知框架和三阶段方法论，本质上是把“如何与超级智能协作”这件事，变成了一套可操作、可训练的技能。

模型越强，越需要你清醒地知道——你不知道什么。

而这件事，恰好是AI帮不了你的。