产品腾讯新闻·机器之心··AI 生成
Claude工程师终于交出Fable 5焚诀！教你打破和模型之间的信息差
Claude Code工程师Thariq Shihipar发布长博客，核心论点是：用户感觉模型做不对任务，根源不在模型能力，而在「人与模型之间存在信息差」——用户提供的提示词（地图）与实际任务（疆域）不一致。他将这种差距定义为「未知项」，并提出一套系统的、可操作的方法论：通过blindspot pass、头脑风暴与原型、反问、参考资料、实现计划（实现前）、实现笔记（实现中）、测验与解释文档（实现后）这七个模式，在编码全流程中主动发现和消除未知项。文章适合正在使用或计划使用Claude等前沿模型进行编程开发的工程师阅读，提供了不依赖模型版本的具体协作方法论。原文 ↗原文 ↗
核心观点
- ▍用户感觉模型做不对任务的核心原因不是模型能力不足，而是「人与模型之间存在着信息差」——即用户提供的提示词（地图）与实际任务（疆域）不一致，作者将此差距定义为「未知项」。
- ▍Fable是第一个让作者明显感觉到工作质量瓶颈取决于「澄清其未知项能力」的模型，与Fable协作本质上是一个在实现前、中、后不断发现未知项的迭代过程。
- 01作者将未知项拆解为四个象限：已知的已知（写在提示词里的）、已知的未知（清楚自己没弄清楚的）、未知的已知（显而易见到不会写下但看到能认出的）、未知的未知（完全没有考虑过的）。
- 02作者提出七种发现未知项的模式：实现前包括盲点扫描、头脑风暴与原型、反问、参考资料、实现计划；实现中使用实现笔记记录偏差；实现后使用测验和解释文档巩固理解。
- 03示例：当用户不了解调色但需要为视频调色时，可以让Claude先教调色中的'未知的未知'，而不是盲目让它生成版本供选择。
- 04示例：在处理不熟悉的代码库模块时，直接使用'blindspot pass'和'unknown unknowns'等字眼让Claude帮忙找出盲点。
- 05作者自己的实践案例：Fable发布视频完全由Claude Code剪辑完成，他通过让Claude解释Whisper转录技术、创建UI原型、让Claude教调色等方式逐步消除未知项。
反方 / 局限
- — 给Claude下指令存在微妙平衡：过于具体，即使其他方案更合适也会严格照做；过于模糊，则会基于行业最佳实践做出不一定适合任务的假设。
- — 即使做了充分规划，实现中仍可能有未知的未知潜伏，需要在过程中通过implementation-notes.md持续发现和记录偏差。
13 分钟 · 6 卡片 · 11 资料
读原文 →概念锚点
前置背景
论证骨架
平行视角
未来推演
延伸追问