分享8个Claude Fable 5下线前必跑的超实用 Prompt
人人都是产品经理「卡尔的AI沃茨」围绕 Fable 5 订阅窗口关闭前的高 ROI 用法，整理出一组可直接复制的 prompt：让 Fable 5 自己跑实验并纠错；让它研究用户历史工作模式并沉淀成 Skill、指南和系统指令；用行动规范约束子代理；用状态文件与 loop 做长期提示词 A/B Test；再用自动暂停、记忆更新和反向面试降低长任务风险。
基本信息
- 标题：分享8个Claude Fable 5下线前必跑的超实用Prompt
- 作者/来源：卡尔的AI沃茨 / 人人都是产品经理
- 原始 URL：https://www.woshipm.com/ai/6425967.html
- 捕获方式：Telegram bot prefetch
- 原始素材路径：
raw/articles/2026-07-07-180313-tg-eabd7e.md - 发布时间线索：2026-07-06/07 前后，围绕 Fable 5 从订阅计划下线、转向 API 计费的窗口期讨论
核心观点
-
Fable 5 在窗口期最值得做两类事：跑实验、研究自己。 文章把所有用法收敛为两类：第一，让它在无人值守时围绕目标、指标和边界持续实验，睡觉时干活，醒来看报告；第二，让它读取用户的历史对话、文档、项目、Skills 和工作流，把个人工作方式转成可迁移系统。其他 prompt 都是这两类的子集。
-
高质量
/goal的核心结构是目标、指标、边界，而不是“多想一点”。 Jesse Vincent 的 Superpowers 6.0 案例里，Fable 5 被要求至少做 25 次不同实验，每次先写假设、失败路线完整记录，并在发现数据口径或评估方法错误时当场修正。结果是花 165 美元把构建速度提高 50%、token 开销降 60%，且模型自己发现 3 个测量 bug。文章借 Karpathy 的话总结为：“目标、指标、边界”就是 Goal 提示语 的最佳结构。 -
失败实验比成功实验更值钱，因为它避免未来重复踩坑。 Jesse 的实验显示，给 Fable 5 思考过程加字数上限反而让原本 92 轮能完成的任务变成 138 轮，输出翻倍更贵；先让便宜 Sonnet 写计划再交给 Fable 5 执行，会因为计划不是 Fable 的思路而打乱任务结构；给测试计划设字数预算会直接削减 62% 测试内容。这些失败路线被完整记录后，下一次项目不必重新付费验证。
-
让 Fable 5 研究用户自己，是把“会话窗口期”变成长期资产的最高 ROI 用法。 “工作模式提示语”要求遍历所有 Claude 历史聊天、重复提示、文档、项目、Skills 和工作流程，回答用户最常做什么、哪些任务总是重复、哪些指令总是手动重写、哪些流程应变成可重用 Skill、过去哪些方法应避免，以及 Opus 需要知道什么才能给出 90% 的 Fable 5 体验。输出不是报告，而是 Claude Skills、使用指南、工作流模板和给其他模型的系统指令，这就是 工作模式蒸馏。
-
Fable 5 的行为规范可以蒸馏给子代理，解决“小弟模型”执行质量不稳的问题。 文章引用 hiromi maeo 从 Anthropic 文档反向提炼的行动规范：结论先行、立即行动、实证汇报、最小范围、说到做到。它的价值不是让 Fable 5 自己更聪明，而是把这些规范贴到每个 subagent 末尾，让较低算力模型也能减少磨蹭、重复推导、口头承诺后停住等问题。
-
多 Agent 成本优化的方向是让 Fable 5 做计划和判断，把小任务下放给便宜模型。 文章给出的 subagent 分配提示语很短：“对于任何编码任务，自行判断选择低算力模型并在 subagent 中运行。小任务交给便宜模型，重任务保留全力运行。”这与既有 Fable 5 作为重型编排者、Opus/Sonnet/Haiku 分担有界任务和验证任务的模型路由思想一致。
-
Loop 工作流必须有排期、单轮变更、同一评分标准、状态文件和停止条件。 Machina 的 25 个 loop 工作流把“什么时候醒来、每轮只改一件事、用同一标准让本周与上周可比、状态文件记录做了什么与下一步、停止条件定义完成或堵住”固定下来，并用颜色标记风险：绿色完全自动，黄色外发前审批，红色涉及生产环境或外发消息不能无人值守。这把 Loop Engineering 从概念推进到可复制的运营表。
-
Shadow Prompt Loop 是最值得直接抄的提示词 A/B Test 模板。 新旧 prompt 同时跑真实流量，只记录有分歧的 case，逐条标注哪个更好、为什么、候选是否一致性更优；积累 50 个有效分歧 case 或运行 14 天后生成是否切换报告。关键是所有轮次都读取
shadow-prompt-STATE.md，让每次运行比上次更聪明，而不是重复评估已处理样本。 -
自治运行需要明确“什么时候暂停”，记忆更新需要明确“只记什么”。 自动暂停 prompt 要求只在破坏性/不可逆操作、真实范围变更、或只有用户能提供的信息时停下来，其他情况继续推进；记忆更新 prompt 则只记录两类东西：被用户纠正、下次不能再犯的点，以及已经验证有效、以后可复用的方法，并要求相似记录更新旧记录、错误记忆删除或废弃。这两条规则让长任务减少无意义打扰，也避免 Memory 变成垃圾桶。
-
反向面试是动手前的需求澄清模板。 文章最后给出“问我问题，直到你有 95% 的把握可以把这件任务完成”的起手式，再用 plan 模式按 /goal 写初版：背景、具体要求、交付格式、红线。它把 prompt 的重点从“我写一条完美指令”转成“让 AI 把缺失条件问出来”，和 提示词工程 里“问题感高于花哨技巧”的判断一致。
实操内容保留
Goal 目标提示语
## goal目标提示语
/goal 任务完成后，再专门跑一轮成本优化研究，让Opus负责统筹，持续记录“我为什么这么试、预期会怎样、实际结果如何”。
至少做 25 次不同实验，每次实验开始前先写清楚假设，失败路线也要完整记录。
如果中途发现数据量错了、口径不一致，或者评估方法有问题，要当场修正并继续。可复用结构：目标（要达成什么） + 指标（如何判断做完） + 边界（不能碰什么） + 过程记录（假设/预期/实际/失败路线） + 自纠错规则（发现口径或评估错误时立即修正）。
工作模式提示语
## 工作模式提示语
遍历我Claude所有的历史聊天记录，重复提示，文档，项目，Skills和工作流程。然后回答：
1、我最常使用Claude做什么？
2、哪些任务我总是重复地做？
3、哪些指令我总是手动重写？
4、哪些工作流程应该变成可重用的Skills？
5、过去做了哪些事的方法和思路是错的，以你的视角应该要避免？
6、Opus应该知道什么，这样它就能给我90%的Fable 5体验？
把所有这些转化为Claude Skills、使用指南、工作流程模板，以及给Opus的系统指令。行动规范提示语
## 行动规范提示语
结论先行｜每次汇报第一句话就说「发生了什么」或「发现了什么」，不要让我翻三页才看到结果。
立即行动｜信息够了就动手。不要重新推导已经确定的事实，不要重新讨论已经关闭的决定，不要列一堆你不会采用的方案。
实证汇报｜报告前用工具结果交叉验证。没验证的说没验证，测试失败的把输出原样贴出来。编造进度是最恶劣的失败。
最小范围｜不做要求以外的功能、重构或抽象化。做最小能用的东西。不要写防御不可能发生的场景的代码。
说到做到｜永远不要说「这就去做」然后停下来。执行完再终止。Subagent 分配提示语
## subagent分配提示语
对于任何编码任务，自行判断选择低算力模型并在subagent中运行。
小任务交给便宜模型，重任务保留全力运行。Shadow Prompt Loop 提示语
## loop提示语
/loop daily, on real traffic
读取 shadow-prompt-STATE.md，里面记录了：
– baseline prompt（当前线上版本）
– candidate prompt（待验证的新版本）
– 已积累的 disagreement cases（两个 prompt 输出不一致的真实请求）
本轮任务：
1. 从今天真实流量中抽取 N 条代表性请求（边缘 case、高频场景各占一半）
2. 同时用baseline和candidate各跑一遍，记录输出
3. 只记录有分歧的case（输出明显不同），相同的跳过
4. 每个分歧case标注：哪个更好、为什么、是否 candidate 一致性更优
约束：
– 不直接替换线上prompt，只积累对比数据
– 积累50个有效分歧case后，生成一份「是否切换」的推荐报告
– 报告必须包含：candidate胜/平/负的比例，典型分歧场景，切换风险评估
State file（状态文件）: shadow-prompt-STATE.md（记录：已测多少条、disagreement堆、当前结论）
Stop（停止条件）: 50 个分歧 case 或 14 天
Color: 🟢 Green（只读流量 + 写 state file，不改线上配置）自治运行 + 自动暂停提示语
## 自治运行 + 自动暂停提示语
只在工作真正需要我介入时暂停，
破坏性或不可逆的操作，真正的范围变更，或者只有我才能提供的信息。
其他情况继续推进，完成后汇报。记忆更新提示语
## 记忆更新提示语
每条经验单独存成一条记录，开头用一句话概括。
只记录两类东西：
1. 被我纠正过、下次不能再犯的点
2. 已经验证有效、以后可以复用的方法每条记录要写清楚它为什么重要。
不要记录仓库、文档或聊天记录里已经有的信息。
如果已有相似记录，就更新旧记录，不要重复新建。
如果后来发现某条记忆是错的，就删掉或标记废弃。反向面试提示语与 /goal 模板
## 反向面试提示语
问我问题，直到你有95%的把握可以把这件任务完成## goal目标提示语
背景：我在为 [谁] 做 [什么项目]，他们需要 [这个东西能帮他们解决什么问题]。
具体要求：[用一句话说清楚你要什么]
交付格式：[你希望最终结果是什么样的，怎么给你]
红线：[过程中绝对不能做什么事]关键概念
- Fable 5：本文讨论的重型编排模型，适合跑实验、研究用户工作方式、规划多 Agent 路由。
- Goal 提示语：把目标、指标、边界、过程记录和自纠错规则写清楚的长任务起手式。
- 工作模式蒸馏：让模型读取历史聊天、文档、项目和 Skill，把个人工作方式转成可迁移系统。
- Shadow Prompt Loop：用真实流量做新旧 prompt 影子 A/B Test 的循环工作流。
- Skill：工作模式蒸馏的主要落地载体，把重复流程、行动规范和失败教训固化为程序记忆。
- Claude Code：承载子代理、Skill、Memory、/loop、自治暂停等实践的典型 Agent harness。
- Loop Engineering：状态文件、停止条件、颜色风险分级和定时任务的上层工作流范式。
- 提示词工程：本文展示的 prompt 不是花哨话术，而是把目标、上下文、边界和验收标准结构化。
与其他素材的关联
- 与 2026-07-06-blocktempo-fable-5-self-improving-agent 形成直接互补：前者讲 Fable 5 自我改进系统的四层架构，本文给出可直接复制的 prompt 模板，特别是 /goal、工作模式蒸馏、Shadow Prompt Loop、记忆更新和自治暂停。
- 与 2026-07-06-ltn-claude-code-skills-5 呼应：高价值 Skill 的标准是改变工作流程。本文进一步说明 Fable 5 可以先研究用户已有工作流，再把重复指令、行动规范和错误经验打包成 Skill。
- 与 2026-06-22-loop-engineering-woshipm 呼应：Loop 不是单纯定时脚本，本文补充了可落地的 loop 五要素、绿色/黄色/红色风险分级，以及最适合抄的 Shadow Prompt Loop。
- 与 2026-07-05-juejin-context-engineering-harness 呼应：复杂任务不要只靠长 Prompt，而要把 prompt 放进 harness、状态文件、验证和停止条件中运行。
原文精彩摘录
满打满算，Fable5还剩不到48小时就从订阅计划里下线了，整个周末我都在把额度刷刷刷满，剩下最后20%的时候在X上看到一个开发者发的一条长贴，他说他把Fable 5的行为模式，再结合Claude团队开源的Fable5提示语技巧，提炼成了一份协议，贴给Opus 4.8用，神人来的。
就剩那么点时间，Fable 5值得做的事就两类，第一类，让它自己跑实验。你睡觉，它干活，醒来看报告。第二类，让它研究你自己，然后把你的工作方式变成一套可复用的系统。其他所有用法都是这两类的子集。
等他第二天起床的时候，25个实验跑完了。花了165刀就把构建速度提高50%，token开销降了 60%。赚麻了。
这个goal提示语跟我之前看到的不同之处就在它补充实验的过程，每个实验都有清楚记录的假设。每个被否定的想法被完整记录下来。Fable5在跑实验的过程中就发现了自己的三个测量 bug，自己中途修正了。它在没有任何人类介入的情况下给自己纠错。
目标，指标，边界。三个词。其实就是/goal提示语的最佳结构。给模型说清楚要什么结果，怎么判断做完了，什么东西不能碰。写完这三样，放手让它去发挥就好了。
这 25 个 loop 里，我觉得最值得抄的是Shadow prompt loop，一句话总结就是测新提示语的效果的时候走流量的A/B Test。让新旧两个prompt同时跑在真实流量上，用数据决定好坏。
模型会换，会下架，号也可能会被封，但我们的工作模式，错题本，跟模型的对话记忆这些是不会消失的。用Fable5把这些重新激活，这可能是整个窗口期里，ROI最高的三十分钟。