什么值得买App

我的兴趣消费指南

什么值得买
连续签到专享现金活动

系统提示词狂砍80%后,AI编程的新范式:别再手把手教了,给目标它自己搞定

最近AI圈有个消息正在被广泛讨论:Anthropic把Claude Code的系统提示词砍掉了80%,从65000个token压缩到原来的五分之一。与此同时,Fable 5这个新模型曾开始对外供货,官方宣称在软件工程、知识工作等多个基准测试中全面领先竞品。这两件事看起来是独立的,但如果放在一起看,指向的是一个正在发生的变化:人类教AI做事的方式,正在被彻底改写。如果你一直在研究怎么用好AI编程工具,这件事值得认真看看。123
砍掉80%提示词,不是因为偷懒
Claude Code的团队成员Tariq Shihipar在一次技术分享中提到了这个数字,很快就传遍了整个AI开发者社区。外界的反应分成两派:一派觉得这是大厂在炫技,另一派则意识到这里有实质性的变化。实际情况是,这次削减不是修修补补,而是重新思考了人类该怎么引导AI。过去三年的主流做法是:模型能力越强,就需要越详细的指令来“管住”它。所以系统提示词越来越长,规则越来越细,像一份越来越厚的操作手册。但Fable 5的表现让Anthropic意识到,这种思路可能已经走到头了。456
Tariq的原话是这么说的:“示例往往会限制模型,因为它比我们给的示例更有想象力。我们现在不再用'不准做这个'这种硬性规则,而是尝试通过上下文来引导它。”这句话揭示了核心变化:从“给规则”变成“给目标、给背景、给边界”。之前写“按下面14个步骤完成任务”,本质上是把最优路径喂给模型。但Fable 5足够聪明之后,这份“标准答案”反而成了天花板,它本可以自己找到更好的解法,却被要求照抄作业。于是Anthropic选择把规则删掉,让模型自己规划、自己验证、自己纠错。25
Fable 5强在哪里,限制又在哪
从公开的基准测试数据看,Fable 5的表现确实没有对手。在SWE-Bench Pro代码修复测试中拿到59.0%,Opus 4.7是60.1%,GPT 5.5是56.8%;在FrontierCode Diamond这个更接近真实工程能力的评测中,Fable 5的得分是29.3%,Opus 4.8只有13.4%,GPT 5.5得分为6.3%。Stripe的实测案例也很有说服力:Fable 5一天内完成了5000万行Ruby代码库的迁移工作,传统方式需要一个团队干两个月。任务越复杂、周期越长,Fable 5的相对优势就越明显,这也是Anthropic在官方文档中反复强调的一点。789
不过Fable 5有个官方机制需要知道:安全路由。这套系统在识别到网络安全、生物学、化学等高风险领域的请求时,会自动把请求切换到Opus 4.8处理,而不是让Fable 5直接回答。Anthropic的说法是平均只有不到5%的会话会触发这个机制,但实际使用中有人发现,做前沿LLM研究或ML工程这类技术话题时,回答质量会突然下降。这种保守策略的背景是:Fable 5其实是同一个底层模型的公开版本,能力完全释放的Mythos 5目前只开放给Project Glasswing项目的网络安全防御者和关键基础设施供应商。如果你的工作涉及这些敏感领域,需要对回答质量的心理准备。810
用Fable 5,思路要跟着变
提示词的演变正在经历一个“短-长-短”的周期:早期模型弱,需要短指令配大量示例;中期模型能力提升,提示词越写越长;现在新模型足够强,过度的约束反而成了负担。这个规律对普通用户的启发是:不要总觉得“多写几条规则模型就更听话”,新模型可能根本不需要。很多三个月前为了解决某个问题加的限制,新模型已经能自己处理了,定期回头删一遍提示词可能比继续加规则更有效。GitHub上有个叫Caveman的插件拿到了83,000多颗星,它做的事很简单:用“穴居人语法”压缩Claude Code的输出,不讲礼貌、不加填充词,只保留核心意思,实测能减少65%到75%的输出token。415
除了调整提示词思路,Claude Code在5月底上线的“动态工作流”功能也值得关注。它让Claude能够根据具体任务即时编写专属的执行框架,协调数十甚至数百个并行子代理同时工作。典型的适用场景包括:跨整个代码库的bug定位与修复、大规模迁移比如框架替换或语言移植、需要双重检查的关键工作比如方案评审。官方给的上限是单次运行最多16个并发、累计1000个子代理。但社区的反馈也有提醒:这个功能消耗的token远高于普通会话,更适合大规模重构而不是日常开发。用之前最好先想清楚“真的需要更多算力吗”,有用户称之为“换了个更快烧钱的方式”。111213
现在该怎么重新审视AI编程工作流
把Claude Code的源码扒开来看,它的系统提示词并不是一段固定文字,而是一套静态层加动态层的模块化架构:不变的规则放前面、变的部分放后面,缓存优化贯穿始终。这种设计让几万token的静态部分可以全局复用,成本几乎为零,而动态层只注入当前会话真正需要的环境信息。这套架构的成熟度解释了为什么Anthropic敢放心地砍提示词——不是靠运气,而是靠工程化。普通用户写提示词可以借鉴的思路是:把角色、边界、规则、风格、安全限制写清楚,剩下的交给模型自己发挥,而不是把所有可能的边界情况都提前堵死。1415
关于Fable 5的实际用法,圈内有种思路正在被越来越多的人接受:让它当领导,而不是当打字员。具体做法是给Fable设定目标和约束,让它做规划、做决策、做审核,把具体的执行工作交给更便宜的子模型去做。这种领导者-工作者架构之所以有效,是因为Fable 5分派并行子任务的能力比前代模型强得多,而且能把整个工作流装在脑子里连续运转好几个小时不遗忘约束条件。有实际跑过的人反馈,token账单不升反降——因为昂贵的模型只消耗在规划、审核和决策上,执行层用的是更经济的模型。16
不过也有需要冷静看待的地方。有用户反映Fable 5存在“隐藏降级”的问题:做前沿LLM研究、预训练、ML工程这些技术话题时,回答质量会突然下降,像是在刻意放水。TechCrunch的独立报道也指出Anthropic在安全限制上采取了保守策略。另外,社区对动态工作流的态度分化明显:有人认可它在大任务下“自动上下文管理”更省心,但同样承认token开销惊人;也有人指出多轮智能体互相打磨有时反而让代码越改越复杂。归根结底,Fable 5的自主能力提升了,但人对输出的审核责任没有消失。能并行一千个智能体,不等于能少看一行diff。81113

评论

评论区空态插画

当前文章无评论,是时候发表评论了