Claude Fable 5 zaczyna zadawać pytania deweloperom po usunięciu 80% wskazówek systemowych

6 lipca 2026 roku inżynier Claude Code z Anthropic, Thariq Shihipar, publicznie opublikował "A Field Guide to Claude Fable: Finding Your Unknowns". To nie jest kolejny dokument z technikami wskazówek. Zaledwie miesiąc wcześniej Thariq użył Claude Code do stworzenia wideo o Fable 5 od podstaw, w trakcie którego pozwolił modelowi zidentyfikować swoje "niewiadome", ucząc się wiedzy o kolorach. Ta metodologia oznacza przesunięcie kluczowego konfliktu w współpracy AI: gdy Fable 5 usunął 80% wskazówek systemowych, a inteligencja modelu przestała być wąskim gardłem, jakość wyników stała się zależna od zdolności dewelopera do wyjaśnienia niewiadomych.

Przewodnik terenowy Claude Fable: odkryj swoje niewiadome | Oficjalny blog Anthropic

Mapa nie jest terytorium: nowa bariera po usunięciu 80% wskazówek

9 czerwca 2026 roku Anthropic oficjalnie zaprezentował modele Claude Fable 5 i Mythos 5. Fable 5 to szeroko dostępna wersja z klasyfikatorem bezpieczeństwa, a Mythos 5 to wersja zaproszeniowa z częściowymi ograniczeniami. Przewodnik terenowy wydany w lipcu jest w istocie oficjalnym potwierdzeniem przepływu pracy w erze Fable 5.

W tradycyjnym modelu odpowiedzi AI deweloperzy przyzwyczaili się do "grubego rysowania mapy". W obliczu modeli o ograniczonej inteligencji, deweloperzy muszą gromadzić szczegółowe przykłady Few-shot i ścisłe ograniczenia w wskazówkach systemowych. Oryginalne wskazówki systemowe Claude Code osiągnęły kiedyś 65 tys. tokenów. Po uruchomieniu Fable 5, Anthropic bezpośrednio usunął 80% wskazówek systemowych, zmieniając strategię z "dawania ograniczeń" na "dawanie kontekstu".

To usunięcie nie było przypadkowym skurczeniem, lecz bezpośrednią odpowiedzią na wzrost możliwości modelu. W 65 tys. tokenów wskazówek systemowych znajdowało się wiele twardych zasad dotyczących stylu kodu, norm operacji plików i granic bezpieczeństwa. Te zasady były niezbędnym mechanizmem zabezpieczającym w erze słabych modeli, aby zapobiec odchyleniom modelu w długich sesjach. Jednak zdolność rozumowania Fable 5 jest już wystarczająco silna, aby samodzielnie ocenić właściwą ścieżkę działania w oparciu o kontekst, bez tych twardych ograniczeń. Inżynierowie Anthropic odkryli w testach wewnętrznych, że zbyt wiele twardych zasad zakłóca decyzje Fable 5. Model może omijać lepsze rozwiązania, aby przestrzegać jakiejś zasady, lub wpadać w wahanie, gdy zasady są sprzeczne.

Ta zmiana opiera się na brutalnym fakcie: Fable 5 jest wystarczająco inteligentny, aby w momencie, gdy "mapa" dewelopera nie wskazuje "niewiadomych", biec w błędnym kierunku z niezwykłą efektywnością. W erze słabych modeli deweloperzy starali się grubo pisać wskazówki, aby zabezpieczyć się przed błędami w zrozumieniu modelu. Jednak w erze Fable 5 zbyt grube ograniczenia stały się kajdanami. Jeśli wskazówki systemowe określają zbyt wiele sztywnych zasad, Fable 5 może omijać rzeczywisty cel, aby przestrzegać zasad. Działania Anthropic w zakresie redukcji wskazówek w rzeczywistości uwalniają model, pozwalając mu polegać na kontekście i własnej zdolności rozumowania, a nie na mechanicznym dopasowywaniu zasad.

Tradycyjne modele w obliczu niejasnych instrukcji zazwyczaj "domyślają się" wykonania na podstawie najlepszych praktyk w branży lub po prostu odmawiają. To prowadzi do sytuacji, w której deweloperzy często odkrywają, że AI wprowadziło ukryte odchylenia architektoniczne po scaleniu kodu. Typowym scenariuszem jest to, że deweloper opisuje w wskazówkach wymagania dotyczące modułu uwierzytelniania użytkowników, ale nie określa wyraźnie algorytmu szyfrowania hasła. Tradycyjne modele domyślnie używają powszechnych, ale już niebezpiecznych algorytmów, takich jak MD5 lub SHA1, ponieważ widziały wiele takich implementacji w danych treningowych. Deweloperzy odkrywają ten problem dopiero podczas audytu bezpieczeństwa. Fable 5 zmienia tę logikę. Bariera jakości wyników przesuwa się z możliwości rozumowania modelu na własną wiedzę i zdolność dewelopera do definiowania niewiadomych. Jeśli deweloper nie potrafi wyraźnie określić granic zadania i potencjalnych ryzyk, potężna zdolność rozumowania Fable 5 może przyspieszyć generowanie błędnego kodu.

Cztery rodzaje niewiadomych: jak AI zadaje pytania deweloperom

Kluczowym punktem przewodnika terenowego jest podział problemów zadania na cztery kategorie: znane znane, znane niewiadome, niewiadome znane i niewiadome niewiadome. W połączeniu z Claude Code, te cztery kategorie niewiadomych są mapowane na konkretne wzorce wskazówek, obejmujące pełny cykl życia od przed realizacją do po realizacji.

Znane znane odpowiadają planowi realizacji. W przypadku dużych refaktoryzacji kodu deweloperzy dokładnie wiedzą, które moduły wymagają zmian, ale nie są pewni kolejności tych zmian. Deweloperzy mogą poprosić AI o umieszczenie najbardziej prawdopodobnych danych modeli do przeglądu na początku, a mechaniczne refaktoryzacje na końcu. To zapewnia, że AI najpierw dostosowuje się do kluczowej architektury z deweloperem, unikając generowania dużej ilości kodu biznesowego na wyższych poziomach, gdy dolne interfejsy nie są ustalone. W migracji kodu na poziomie Stripe z 50 milionami linii kodu Ruby, ta strategia sortowania może znacznie zmniejszyć konieczność poprawek. Jeśli AI najpierw zakończyło przekształcenie logiki biznesowej na wyższym poziomie, a następnie dolny model danych ulegnie zmianie, cały kod wyższy będzie musiał zostać przepisany.

Znane niewiadome odpowiadają rozmowie kwalifikacyjnej. To jeden z najbardziej rewolucyjnych wzorców Fable 5. AI nie czeka już pasywnie na instrukcje, lecz zadaje pytania deweloperom. Przy projektowaniu interfejsu API o wysokiej wydajności deweloperzy mogą być świadomi, że muszą obsługiwać dużą liczbę żądań, ale nie mają pewności co do konkretnej strategii ograniczania lub spójności pamięci podręcznej. Deweloperzy mogą poprosić AI: "Zadaj pytania, na które moje odpowiedzi zmienią projekt architektury." AI może zadać pytania dotyczące wymagań dotyczących spójności danych, oczekiwanego szczytowego QPS lub strategii degradacji. Dzięki tym pytaniom AI zmusza deweloperów do konkretyzacji niejasnych pomysłów.

W scenariuszu projektowania architektury mikroserwisów deweloper mówi Fable 5, że potrzebuje zrealizować usługę zamówień. Fable 5 nie zacznie od razu pisać kodu, lecz zapyta: Czy zmiana statusu zamówienia wymaga gwarancji transakcji między usługami? Jeśli tak, to czy zastosować wzorzec Saga, czy dwufazowe zatwierdzenie? Czy zmniejszenie zapasów następuje w momencie tworzenia zamówienia, czy po pomyślnym dokonaniu płatności? Każde z tych pytań bezpośrednio zmienia ostateczny projekt architektury. Odpowiadając na te pytania, deweloper w rzeczywistości kończy projektowanie architektury.

Niewiadome znane odpowiadają burzy mózgów i prototypom. W przypadku problemów estetycznych lub intuicyjnych, które można opisać jako "widzieć, aby wiedzieć, czego się chce", deweloperzy mogą poprosić AI o generowanie różnych prototypów w HTML, aby ludzie mogli wybierać. Przy tworzeniu pulpitu danych deweloperzy mogą nie być w stanie precyzyjnie opisać idealnego układu interakcji. Poproszenie Fable 5 o wygenerowanie czterech różnych prototypów HTML z różnymi akcentami pozwala deweloperom intuicyjnie wybierać i łączyć elementy. Ten wzorzec uznaje ograniczenia ludzkiego poznania, wykorzystując szybkie prototypowanie, aby zrekompensować niedoskonałości opisu słownego.

Niewiadome niewiadome odpowiadają skanowaniu ślepych punktów. Deweloperzy mogą bezpośrednio polecić AI: "Pomóż mi znaleźć moje niewiadome niewiadome w tym module." Przy obsłudze pozornie prostego logiki zwrotu płatności deweloperzy mogą przeoczyć ryzyko podwójnego obciążenia z powodu równoległych żądań lub mechanizmu ponownego próby zewnętrznego bramki. AI, mając globalny widok na kod, wskaże deweloperom potencjalne warunki brzegowe, historyczne pułapki lub potencjalne zagrożenia bezpieczeństwa.

Thariq, montując wideo o wydaniu Fable 5, wykorzystał skanowanie ślepych punktów. Nie miał pojęcia o kolorach, a pozwalając Claude Code na skanowanie niewiadomych w procesie edycji wideo, model aktywnie wskazał kluczowe punkty wiedzy dotyczące konwersji przestrzeni kolorów i zastosowania LUT. Konkretna procedura wyglądała następująco: Thariq najpierw załadował plik wideo do Claude Code i przeanalizował jego metadane kolorów, a następnie polecił modelowi "znajdź techniczne szczegóły, które mogłem przeoczyć w procesie edycji kolorów". Claude Code zwrócił listę, w tym różnice między przestrzeniami kolorów Rec.709 i Rec.2020, momenty konwersji między kodowaniem Log a kodowaniem liniowym oraz różnice w efektach zastosowania plików LUT w różnych węzłach. Thariq uczył się na podstawie tej listy, przekształcając "niewiadome niewiadome" w "znane", a ostatecznie kończąc montaż wideo.

W trakcie realizacji Fable 5 wymaga, aby deweloperzy dokumentowali swoje działania. Deweloperzy muszą utrzymywać plik implementation-notes.md, aby rejestrować konserwatywne decyzje AI, które odbiegają od planu. Gdy AI odkrywa, że pierwotny plan jest niewykonalny i przyjmuje rozwiązanie degradacyjne, ta decyzja zostanie zarejestrowana. To zapewnia, że ludzie zawsze mają kontrolę nad rzeczywistym postępem projektu, a nie pozwalają AI na samodzielny rozwój w ciemności. W projekcie migracji bazy danych AI może odkryć, że używane pierwotnie narzędzie do importu wsadowego ma znany błąd w docelowej wersji bazy danych i zamiast tego przyjmuje konserwatywne rozwiązanie importu pojedynczego. Ta decyzja zostanie zarejestrowana w implementation-notes.md, a deweloperzy mogą zrozumieć logikę decyzji AI podczas przeglądania później i w razie potrzeby ją obalić.

Najbardziej nieoczekiwane działania pojawiają się na etapie akceptacji. Po zakończeniu długiej rozmowy, samo spojrzenie na różnice w kodzie nie pozwala zrozumieć głębokich zmian w AI. Thariq wymaga, aby Claude wygenerował raport HTML zawierający kontekst i intuicyjne wyjaśnienia, a na końcu dołączył zestaw pytań testowych. Tylko po poprawnym odpowiedzeniu na wszystkie pytania testowe kod zostanie scalony. To całkowicie obala tradycyjny paradygmat "człowiek ocenia AI", wykorzystując pytania zwrotne AI, aby uzupełnić brak zrozumienia ludzkiego w długich rozmowach. Pytania testowe mogą obejmować: "Dlaczego w tej funkcji użyto optymistycznego blokowania zamiast pesymistycznego?" "W jakich scenariuszach ta strategia wygaszenia pamięci podręcznej może prowadzić do niespójności danych?" Programiści muszą być w stanie dokładnie odpowiedzieć na te pytania, aby udowodnić, że rozumieją zmiany w AI.

Podwójny tor Fable 5 i Mythos 5: Uwolnienie możliwości i bezpieczny powrót

Anthropic jednocześnie wydaje Fable 5 i Mythos 5, co odzwierciedla równowagę między uwolnieniem możliwości a kontrolą bezpieczeństwa. Mythos 5, jako część projektu Project Glasswing, znosi niektóre ograniczenia związane z bezpieczeństwem sieci, skierowane do zaproszonych użytkowników. Fable 5, jako wersja szeroko dostępna, zawiera rygorystyczny klasyfikator bezpieczeństwa.

Fable 5, gdy napotyka wrażliwe problemy związane z bezpieczeństwem sieci, biotechnologią itp., automatycznie przechodzi do odpowiedzi Claude Opus 4.8. Oficjalne źródła podają, że w wczesnych danych ponad 95% sesji Fable nie wywołuje żadnych powrotów do bezpieczeństwa, a wskaźnik błędnych detekcji jest poniżej 5%.

Ten podwójny tor zapewnia, że Fable 5 może być bezpiecznie wprowadzony na rynek masowy, ale także prowadzi do rozdzielenia doświadczeń. Niektórzy programiści, pracując nad normalnym programowaniem sieciowym lub badaniami biotechnologicznymi, napotykają na wymuszone powroty. Na przykład, pisząc narzędzie do audytu bezpieczeństwa związane z przechwytywaniem pakietów danych w sieci, Fable 5 może wywołać klasyfikator bezpieczeństwa, co przerywa efektywny przepływ pracy, który pierwotnie prowadził Fable 5, a możliwości modelu nagle spadają. Programiści, pisząc skrypty testowe dla reguł zapory ogniowej, mogą również zostać cofnięci do Opus 4.8, jeśli ich kod zawiera logikę skanowania portów. Chociaż oficjalne źródła obiecują w przyszłych aktualizacjach zawężenie zakresu klasyfikatora i wprowadzenie programu zaufanego dostępu dla naukowców, w obecnym etapie powroty do bezpieczeństwa pozostają jednym z punktów krytycznych zgłaszanych przez programistów.

Spalanie tokenów i zmęczenie interakcyjne: koszt aktywnego wyjaśniania

Aktywne wyjaśnianie nieznanych mechanizmów przynosi znaczące koszty i problemy z doświadczeniem w praktycznym użytkowaniu.

Spalanie tokenów to najczęściej zgłaszany problem przez programistów. Fable 5 wymusza włączenie adaptacyjnego myślenia, nie pozwalając na wyłączenie łańcucha myślenia, można jedynie kontrolować głębokość myślenia za pomocą parametru effort. Wiele użytkowników w społeczności Reddit skarży się, że Fable 5 "zjada mój plan Max", ponieważ wyjście jest bardzo długie, a myślenie zawsze jest włączone, co prowadzi do niekontrolowanego zużycia tokenów. Fable 5 kosztuje 10 USD za milion tokenów wejściowych i 50 USD za milion tokenów wyjściowych, z domyślnym kontekstem 1 miliona tokenów, co stwarza znaczną presję ekonomiczną dla indywidualnych programistów. Użytkownicy zgłaszali, że podczas średniej wielkości refaktoryzacji kodu proces myślenia Fable 5 i wyjścia pytań w ciągu kilku minut pochłonęły dziesiątki tysięcy tokenów. W ramach planu subskrypcyjnego Max 20x, niektórzy użytkownicy zgłaszali, że Fable 5 zużywał tokeny w tempie 2 USD na minutę, znacznie przekraczając oczekiwania.

Opinie społeczności pokazują, że średni wysiłek Fable 5 często przewyższa maksymalny wysiłek Opus 4.8. Oznacza to, że w przypadku prostych zadań Fable 5 nadal zużywa dużą moc obliczeniową na głębokie myślenie. Dla programistów z ograniczonym budżetem konieczne jest ścisłe korzystanie z parametru effort lub unikanie używania Fable 5 w prostych zadaniach. Niektórzy programiści podsumowali swoje doświadczenia w praktyce: w przypadku jasnych operacji CRUD lub prostego przetwarzania ciągów wystarczy użyć niskiego wysiłku; w przypadku złożonych zadań związanych z projektowaniem architektury należy włączyć średni lub wysoki wysiłek. Mimo to, zużycie tokenów przez Fable 5 nadal jest znacznie wyższe niż w przypadku poprzednich modeli.

Zmęczenie interakcyjne również niepokoi programistów. Przeprowadzanie rozmów kwalifikacyjnych z AI, choć może poprawić jakość projektowania architektury, znacznie zwiększa liczbę interakcji i koszty czasowe. W przypadku jasno określonych zadań CRUD, taka sokratejska współpraca staje się obciążeniem. Programiści muszą nieustannie odpowiadać na pytania AI, aby napędzać generowanie kodu. W szybkim środowisku rozwoju Agile, takie częste przerywanie interakcji może prowadzić do spadku efektywności rozwoju. Prosta funkcjonalność rejestracji użytkownika, jeśli używa trybu rozmowy kwalifikacyjnej Fable 5, może wymagać odpowiedzi na 5 do 10 pytań dotyczących polityki haseł, weryfikacji e-maili, ról użytkowników, podczas gdy programista może po prostu chcieć szybko wygenerować prototyp. Wartość Fable 5 leży w wykrywaniu luk w złożonych projektach, a nie w byciu uniwersalnym zastępstwem we wszystkich scenariuszach.

Błędne detekcje klasyfikatora bezpieczeństwa również wpływają na spójność przepływu pracy. Chociaż oficjalne źródła obiecują w przyszłych aktualizacjach zawężenie zakresu klasyfikatora, w obecnym etapie nadal występują sytuacje, w których normalny proces rozwoju jest przerywany przez powroty do bezpieczeństwa. To rozdzielenie doświadczeń sprawia, że niektórzy programiści zaczynają kwestionować stabilność Fable 5. W specyficznych dziedzinach, takich jak audyt bezpieczeństwa, rozwój narzędzi do testów penetracyjnych, analiza danych biotechnologicznych, programiści mogą potrzebować często przełączać się na Mythos 5 lub czekać na zatwierdzenie programu zaufanego dostępu, co zwiększa złożoność przepływu pracy.

Od inżynierii instrukcji do zarządzania nieznanym: nowa drabina umiejętności programistów

Wprowadzenie Claude Fable i publikacja przewodników terenowych wysyłają wyraźny sygnał: model jest już wystarczająco inteligentny, teraz nadszedł czas na programistów.

Nowe umiejętności, które programiści muszą rozwijać, nie polegają na pisaniu grubszych promptów, ale na definiowaniu nieznanego, zarządzaniu niepewnością i identyfikowaniu swoich luk w wiedzy w pytaniach zwrotnych AI. To jest migracja umiejętności od "inżynierii instrukcji" do "zarządzania nieznanym". OmniTools uważa, że ta przebudowa przepływu pracy jest bardziej rewolucyjna niż prosta aktualizacja parametrów.

W tradycyjnej inżynierii instrukcji programiści koncentrują się na tym, jak opisać wymagania w sposób bardziej klarowny i jednoznaczny. W zarządzaniu nieznanym programiści muszą uznać swoje ograniczenia poznawcze i wykorzystać zdolność AI do zadawania pytań, aby wypełnić te luki. To wymaga od programistów posiadania silniejszej wiedzy w danej dziedzinie, aby móc udzielić dokładnych odpowiedzi, gdy AI zadaje pytanie. Gdy AI pyta: "Czy ten callback płatności wymaga obsługi powtarzających się powiadomień spowodowanych drganiami sieci?", programista musi być w stanie ocenić powagę tego pytania i udzielić rozsądnej odpowiedzi. Jeśli programista sam nie rozumie warunków brzegowych systemu płatności, pytanie zwrotne AI nie może wypełnić tej luki w wiedzy.

Jednak ten mechanizm nie jest wszechmocny. Jego zastosowanie ogranicza się do złożonych projektów i projektowania systemów, a dla prostych zadań jest to nadmierne projektowanie. Gdy AI przestaje udawać wszechwiedzącego, programiści muszą stawić czoła lukom w swojej wiedzy. Mechanizm aktywnego wyjaśniania Fable 5 zasadniczo wymienia koszty interakcji na jakość kodu. Dla programistów, którzy są gotowi poświęcić czas na myślenie o architekturze, ten mechanizm może znacznie zmniejszyć ryzyko późniejszych poprawek; natomiast dla zespołów dążących do szybkiej iteracji, ten mechanizm może stać się przeszkodą w efektywności.

Od podwójnego toru Fable 5 do Mythos 5, a następnie do metodologii przewodników terenowych, Anthropic redefiniuje granice współpracy AI i programistów. Model nie jest już pasywnym narzędziem wykonawczym, ale współpracującym partnerem z aktywną zdolnością myślenia. Rola programisty zmienia się z "osoby piszącej instrukcje" na "osobę zarządzającą nieznanym". Ta zmiana wymaga od programistów ponownego przemyślenia swojego przepływu pracy i znalezienia nowego punktu równowagi między efektywnością a jakością.

Zastrzeżenie: Niniejsze treści mają wyłącznie charakter informacyjny i służą celom promocyjnym. Nie stanowią porady finansowej, inwestycyjnej, prawnej ani podatkowej. Wszelkie wydarzenia, nagrody, wydarzenia online oraz powiązane z nimi informacje nie stanowią rekomendacji, zachęty ani zaproszenia do kupna, sprzedaży, handlu lub dokonywania innych transakcji na aktywach cyfrowych ani do korzystania z jakichkolwiek usług. Kryptowaluty cechują się wysoką zmiennością i mogą prowadzić do utraty środków. Usługi WEEX oraz wydarzenia online mogą nie być dostępne we wszystkich regionach i podlegają obowiązującym przepisom prawa, regulacjom oraz wymogom kwalifikacyjnym. Użytkownik ponosi odpowiedzialność za zapewnienie zgodności korzystania z usług WEEX z lokalnymi przepisami prawa oraz za staranną ocenę ryzyka przed podjęciem jakichkolwiek działań związanych z kryptowalutami.