Fable 5 回歸之後，一些使用案例又開始在網上爆火。每看到一個，心裡大概都想過，怎麼我沒有發現這樣的玩法。
最近流行的《哈利·波特》中湯姆·里德爾日記本，開發者用 Fable 5 把自己的 reMarkable 平板改造成一個魔法手帳。我們在紙上寫下提示詞，會自動淡出消失，然後 AI 的回覆慢慢淡入，就像魔法般從紙上浮現。
目前這條影片在 X 上已經有上百萬次瀏覽。也有網友很快用 iPad 也實現了類似的功能，用 AI 生成單個 HTML 文件，打開就是一個魔法筆記本，在螢幕上寫下提示詞後，得到魔法般的回答。
另一個熱門的玩法是 Google AI Studio 產品和設計負責人 Ammaar Reshi 用 Fable 5 做了一個遊戲，他將一款 2003 年發行的遊戲《命令與征服：將軍零點》，順利移植到了 iPhone 和 iPad 上，並且不需要模擬器。
就連 Claude Code 負責人都在下面留言表示驚訝。Ammaar 也給出了完整的實現經歷，在 GitHub 的開源倉庫里，詳細描述了如何在自己的 iOS 設備運行這款遊戲、心路歷程以及項目存在的問題。
更有意思的是這條超過 300 萬次瀏覽的「Fable 5 自畫像」。網友要求 Fable 5 向他展示它最具表現力的形態。
Fable 5 沒有使用任何已有的影片生成器，而是在電腦的終端里編寫了自己的渲染引擎，還合成了自己的聲音，從零開始寫了一個生成式的 ASCII 編碼引擎，來描繪 Fable 5 最有表現力的形態。
有網友質疑 Fable 5 在其中是否發揮作用，她貼出了簡單的提示詞資訊，像是「嗨，Fable，請你用 ASCII 字符，通過語音、音頻和動畫，製作一個短影片來表達你最真實的內心世界。」
Fable 5 在拉開 AI 使用的差距這方面，真的做到了淋漓盡致。
即便是一些基礎的玩法，有人用 Fable 5 就能做出一個幾乎能完美上線的遊戲。從最初的想法、遊戲美術到 3D 模型和代碼，網友用 Fable 5 在 Rork 里完美克隆了地鐵跑酷，總用時 1 小時。
隨著模型能力的提升，那些知道怎麼使用模型的人，寫出更好的提示詞，應用更完善的 Skill，選擇合適的框架，他們得到的結果比大多數用著同樣一個 Fable 5 的用戶都更好。
能用 Fable 5 和不能用是一道門檻，但是會用 Fable 5 和不會用同樣是一個明顯的差距。
Claude Code 工程師前幾天在 X 發文，核心主題就是如何在使用高階 AI 模型時，文中舉例使用的是 Claude Fable 5，通過「理清未知領域」來突破生產力瓶頸。
在我們看來，其實除了 Fable 5，就是手邊能接觸到的最強模型，我們或許都可以用這套方法去挖掘模型潛力的同時，發現自己的潛力。
地圖非疆域
這個上世紀三十年代的哲學概念，著名的「語義學命題」，描繪的是我們的認知與實際情況之間有著一定的差異。
就像地圖無法完全呈現真實世界的所有細節和複雜性一樣，我們的描述，也只是對事物的簡化和抽象，這種描述通常無法準確反映外部世界。
APPSO 曾在 AI 模型瘋狂發布的那段時間分享了我們的思考，裡面也提到了類似的觀點。
放在今天的 AI 開發語境裡，我們丟給 AI 的 prompt、skills、上下文，更詳細一點還有需求說明，這些都只是「地圖」，是我們對任務的描述。
而複雜的代碼庫、真實世界的業務場景、現實約束和運行規則，才是真正的「疆域」。
在「地圖」和「疆域」之間，有著各種未知的情況。丟給導航一張路線地圖，它能告訴我們從 A 到 B 怎麼走，但是路面情況，這些只有在現場才會出現的東西，是我們無法用一句提示詞可以窮盡的。
當我們在 Vibe Coding 時，輸入一句提示詞「幫我做一個編輯器工具欄」，Claude 真動手時發現：現有組件怎麼復用、按鈕放哪裡、狀態怎麼存、移動端會不會擠、你喜歡簡潔還是功能鋪滿。
這些未知，即便提示詞描述的再清楚，也只是任務的壓縮版本，真正的工作仍然需要在 Claude 執行過程中，才會暴露更多的細節。
這些細節被稱為 Unknowns，未知項或者空白地帶。有些空白我們自己知道，但有些空白是我們心裡有標準，卻無法描述清晰，還有一些根本沒有意識到的部分。
具體來說，根據我們與 AI 協作時的認知，Claude Code 工程師把這些未知分為四個象限。
已知已知（Known Knowns）：我們明確地寫在提示詞裡的需求說明。
已知未知（Known Unknowns）：我們意識到自己還沒搞懂、需要去查明或做決定的問題。
未知已知（Unknown Knowns）：那些我們覺得理所當然、甚至懶得寫進文檔，但一旦看到就能做出判斷的直覺，比如隱藏的審美偏好或肌肉記憶等。
未知未知（Unknown Unknowns）：我們根本沒有意識到、甚至不知道自己不知道的盲區。
模型越強，這些未知越容易被放大。
過去我們總覺得，AI 工具不好用是因為它「不夠聰明」，寫出來的代碼有 Bug。但到了 Claude Fable 5 這一代，一個新事實浮出水面：
阻礙項目推進的終極瓶頸，不再是 AI 的代碼編譯能力，而是人類發現並澄清自身「未知」的能力。
換句話說，別急著把需求丟給 AI，而要先幫它找到那些你沒說清、你自己也沒想透的地方。
如何暴露未知
以前大家談 AI 使用技巧，最常見的建議是把 prompt 寫清楚、寫具體、寫完整。
到了更聰明的模型這裡，問題變細了。我們要做的未必是把指令越寫越長，從開發前、到開發過程中、以及開發完成後，都應該有專門的實用技巧和提示詞模板。
如果我們要進入一個陌生的代碼模組，或者要用一個從未接觸過的框架，最聰明的做法是直接對 Claude 說：
我準備接入一個新的鑒權模組，但我對這個代碼庫的鑒權邏輯一無所知。請幫我做一次「盲區掃描（Blind Spot Pass）」，把那些我還沒意識到的「未知未知」找出來，並教我怎麼更好地向你提問。
而面對那些「說不清道不明」的未知已知，不要直接讓 AI 去改生產環境的代碼，先讓它生成獨立的、帶有假數據的 HTML 頁面。
比如做前端設計，一些工程師是典型的「直男審美」，讓他們描述理想的界面，很難組織成具體的語言。但只要看到成品，他們就能立刻挑出刺來。
這時候，我們可以告訴 AI：
我想做個數據看板，但我沒什麼審美。請幫我生成一個 HTML 頁面，包含 4 種截然不同的設計方向，讓我能有個直觀的反應。
這並不是在浪費算力，其實整個暴露未知的核心邏輯，就是用極低的成本去試錯，避免在核心代碼中付出昂貴的糾錯代價。
在開發前的 Demo 里，用幾個低成本的 HTML 原型，去對齊彼此的默契，把我們腦子裡的隱性判斷倒逼出來。
而當任務會影響架構時，最好讓 AI 詢問我們。以反向面試的方式，讓 AI 把我們模糊的想法變明確。
其中，問題要挑那種答案會改變方案的，比如數據存在前端還是後端，權限跟用戶走還是跟團隊走，某個流程要一步完成還是拆成審批。
請像面試官一樣，每次只問我一個問題，幫我釐清需求中的模糊地帶。優先提那些會影響架構設計的關鍵問題。
還是說不清楚的時候，甚至可以直接把現成的優秀源碼/案例，哪怕是不同語言，丟給 AI 去像素級模仿。
等差不多能動手了，再讓 AI 寫 implementation plan，並把最需要我們拍板的「數據模型、接口定義、UI 流轉」等需要修改主意的內容，放在最前面審核，機械化的重構放在後面。
循環工程和線束工程
在真實世界的疆域裡，哪怕最完美的計劃，也會遇到各種偏離原計劃的極端案例。
大多數長周期的任務落地過程中，聰明的 Agent 會不斷去發現任務中可能存在的問題。例如，它可能會發現某個第三方庫不兼容，也可能發現某個接口的響應變慢了。這時候，AI 需要自己做主。
如果沒有防禦機制，AI 跑了一個小時後，我們再看對比，常常只能看到改了哪些文件，看不出它為什麼這麼改。AI 的自我修正是把問題解決了，但也可能悄悄埋下了一個我們根本不知道的雷。
因此在執行中，Claude Code 工程師建議讓 Claude 維護一個臨時文件，比如 implementation-notes.md。它每次遇到邊界情況、偏離原計劃、做了什麼保守取捨，都寫進去。
在開發過程中，一旦你遇到任何逼迫你偏離原定計劃的極端情況，請選擇最保守的退路，並且立刻在執行筆記的「路線偏離」一欄里記上一筆。不要瞞著我，繼續往前走。
Claude，請給我出一張卷子
當 Claude Code 幫我們改完了幾千行代碼，生成了大量的新文件，看著那些密密麻麻的代碼差異對比，很多時候，我們只是機械地點擊了「接受修改」，心裡卻在打鼓。
為了繼續從自主化的 AI 手裡重新掌控全局，Claude Code 工程師給出的做法是：讓 AI 給我們出期末考試題。
在項目的正式交付之前，先把所有的上下文和變更記錄打包餵給 Claude：
我需要確保我完全消化了這次的所有改動。請基於這次的代碼變更，為我生成一份詳細的 HTML 業務報告。並且，在報告最下方，給我出 5 道原理單選題。我必須全部答對，才會允許自己合併這段代碼。
除了這種極端的考試，我們還可以讓 AI 把原型、規格、實現記錄整理成一份給同事看的說明。它要講清楚做了什麼、為什麼這麼做、還剩哪些風險。
AI 越聰明，做得越多的時候，人越容易失去過程感。我們只看到一個完成的結果，卻不知道裡面有多少取捨。讓模型解釋、讓自己被測一遍，本質上也是用極低的成本，把那些被 AI 偷偷帶過的知識點，重新交給我們。
在 Fable 5 的官方發布影片裡，這種方法論也得到了驗證。那個演示影片背後的底層腳本剪輯、音頻切除、甚至 Remotion 動畫，全都是由 Claude 親自操刀的。
但影片的創作者並不是個專業的剪輯師和調色師。他之所以能搞定這一切，是因為他從一開始就沒把 Claude 當成一個服從人類指令的工具。
他讓 Claude 去解釋 Whisper 的音頻裁切原理，讓 Claude 去惡補色彩學常識，用最低的成本，把自己從一個不懂影片製作的人，變成了一個能跟上 AI 節奏的「入門製片人」。
回頭再看那些洗版的 Fable 5 案例，湯姆·里德爾的日記本、iPhone 上運行《命令與征服》、會給自己畫 ASCII 自畫像……這些作品背後，除了那句神奇的 Prompt，還有一連串不斷暴露未知、驗證想法、推翻重來的過程。
一個強大的模型，把這些過程的成本壓低了。
以前，一個大膽的想法可能要花幾周才能驗證；現在，一個下午就足夠知道它值不值得繼續。
模型越來越強以後，真正拉開人與人差距的，也許除了擁有更好的 AI，還有願意不斷提出新的問題、驗證新的假設，再把一個看似離譜的念頭，一步步變成現實。
網際網路下一批真正有意思的產品、玩法，甚至新的創業方向，大概率都會從這些一次又一次的實驗裡長出來。
