Anthropic开发者分享Fable 5提示技巧：先发现自己的盲点，再交给Claude

一句话看懂

Anthropic开发者指出，Claude新模型Fable 5的瓶颈不再是模型能力，而是用户自身的盲点，并分享了系统性发现盲点的提示技巧。

详细发生了什么

Anthropic开发者Thariq Shihipar在博客中分享了他对Claude最新模型Fable 5的提示工程心得。他认为，随着模型能力提升，当前限制AI输出质量的瓶颈已从模型本身转向用户自身的“未知的未知”——即用户无意识的知识盲点。

Shihipar提出了两种核心技巧：盲点扫描和结构化访谈。盲点扫描是指让Claude先分析用户对某个问题的现有理解，然后主动指出可能被忽略的领域或假设。结构化访谈则是通过一系列预设问题，引导用户系统性地梳理自己的知识框架，暴露潜在缺口。他强调，在将任务交给Claude执行之前，先花时间做这些“自我发现”步骤，可以显著提升最终输出的准确性和深度。

这些方法并非全新的理论，而是将经典的认知心理学策略应用到AI提示工程中。Shihipar认为，Fable 5的context window和推理能力已经足够强大，真正的挑战在于用户能否提出正确的问题。

中文圈视角

对中文开发者来说，Shihipar的分享有实际参考价值，但需注意几个现实问题。

可用性：Claude Fable 5目前主要通过Anthropic的API和官方聊天界面使用，国内用户需要自行解决网络访问问题。对于无法直接使用的团队，可以关注国产大模型（如DeepSeek、Kimi、智谱GLM）的类似能力。这些模型在推理和长上下文方面也在快速进步，但提示工程方法论是通用的——盲点扫描和结构化访谈同样适用于其他模型。

平替思路：如果无法使用Claude，可以尝试用DeepSeek-R1或Kimi的“长文模式”做类似练习。关键在于让模型先“审视”你的思路，而不是直接生成代码。国产模型在中文场景下可能更擅长理解中文语境中的隐性知识。

监管与合规：涉及敏感领域时，注意数据不要上传到境外API。建议使用国内合规平台或本地部署模型进行盲点扫描。

中文圈盲点：很多中文开发者习惯直接给模型下指令，很少花时间做“自我审视”。Shihipar的方法提醒我们，提示工程的核心不是“如何说”，而是“如何想”。

几条值得记住的细节

• 盲点扫描：让Claude先分析你的现有理解，主动指出可能忽略的领域。
• 结构化访谈：通过预设问题引导自己梳理知识框架，暴露缺口。
• Fable 5：Claude最新模型，context window和推理能力大幅提升。
• 适用场景：特别适合复杂任务，如系统设计、代码重构、技术方案评审。
• 核心观点：模型能力不再是瓶颈，用户自身的盲点才是。

一句话总结

用Claude前先问自己“我漏了什么”——盲点扫描比任何提示模板都重要。