Fable Workflow
Eine Arbeitsmethode für leistungsfähige („Mithril-Klasse“) Modelle. Das Modell ist stark genug, eum eigenen riesigen Lösungsraum zu durchqueren – der Engpass liegt daher nicht mehr seiner Fähigkeit, sondern darin, ob die Karte des Menschen mit dem Gebiet übereinstimmt, bevor das Modell loslegt. Dieses Skill schließt diese Lücke.
Prompt-Vorlagen befinden sich in
prompts.md– lies sie, wenn du den genauen Wortlaut brauchst. Als Claude Code-Plugin installiert, erzwingen optionale Hooks dies – einStop-Verify-Gate, das eine unbegründete „Fertig“-Meldung blockiert (Opt-in überFABLE_STRICT=1). Siehehooks/. Mehrschritt-Arbeit → das Completion-Gate (scripts/goals.py, siehecompletion-gate.md) zerlegt die Arbeit in Ziele und verweigert eine unbegründete „Fertig“-Meldung.
Die eine Idee
Die Karte ist nicht das Gebiet. Der Plan/Spezifikation/Prompt in deinem Kopf ist die Karte. Die echte Codebasis und die Einschränkungen sind das Gebiet. Jeder Ort, an dem das Modell auf Gebiet trifft, das die Karte nicht abgedeckt hat, ist eine Unbekannte – ein nicht festgelegter Entscheidungspunkt. Ein leistungsfähiges Modell trifft auf VIELE davon, weil es weiträumig erkundet. Allein gelassen rät es stillschweigend; jede stille Schätzung ist eine Stelle, an der das Ergebnis von dem abweichen kann, was der Benutzer wollte. Also: Unbekannte zuerst an die Oberfläche bringen, sie explizit entscheiden, dann bauen. Dies gilt in jedem Bereich – eine vage Forschungsfrage, eine mehrdeutige Designaufgabe oder eine unzureichend spezifizierte Analyse verbergen dieselben nicht festgelegten Entscheidungen.
Der Kreislauf
1. Entfesseln – Werkzeuge statt Gedächtnis erreichen
Leistungsfähige Modelle werden auf spitze Weise intelligenter: Eine Frage, die sie aus dem Gedächtnis nicht beantworten können, meistern sie, indem sie ein Skript schreiben (z. B. „Welche Pokémon-Namen enden mit 'aw'?“ → Liste holen, filtern). Also: Bei jeder Aufzählung / Zählung / Suche / präzisen Zeichenfolgen-Aufgabe ein Werkzeug verwenden (Bash, ein Skript, eine Suche) anstatt aus dem Gedächtnis zu antworten. Bevorzuge eine kleinere Anweisungsmenge mit Kontext gegenüber einer langen Liste von „Tue nicht“-Einschränkungen – Einschränkungen begrenzen ein Modell, das fantasievoller ist als die Beispiele, die du ihm gibst.
2. Die Unbekannten finden – bevor das eigentliche Ding geschrieben wird
Sortiere das Problem in: Bekannt-Bekanntes (das schreibst du in den Prompt), Bekannt-Unbekanntes
(du weißt, du hast es noch nicht entschieden), Unbekannt-Bekanntes (so offensichtlich, dass du es
nicht gesagt hast – du erkennst es, wenn du es siehst), Unbekannt-Unbekanntes (nie bedacht). Verwende
diese Moves, um die untere Reihe ans Licht zu bringen (prompts.md hat Kopier-Einfügen-Versionen):
- Blind-Spot-Pass – „Führe einen Blind-Spot-Pass für dieses Modul/diese Domäne durch; liste meine Unknown-Unknowns auf und wo die Fallstricke liegen.“ Richte es an git diffs, Slack, Docs aus, um Kontext zu erhalten. Großartig für neue Codebasen und neue Felder.
- Interview mich – Lass das Modell dich interviewen, wobei Fragen priorisiert werden, die die Architektur verändern würden. Gib ihm Kontext über dich und die Phase, in der du dich befindest.
- Varianten für Geschmacksentscheidungen – Für alles, wo du sagst „Ich erkenne es, wenn ich es sehe“ (Design, Ausgabeformat, API-Form), bitte um N bewusst unterschiedliche Optionen, auf die du reagieren kannst, nicht nur eine.
- Referenzen als Karten – Anstatt die gesamte Spezifikation zu schreiben, gib ihm Beispielcode oder einen Mockup, der das Ziel repräsentiert („Lies das, dann baue in seinem Geiste.“). Eine zweite Karte schlägt Prosa.
3. Bauen – aber die Abweichungen protokollieren
Während des Bauens jede Unbekannte protokollieren, auf die es trifft, und die getroffene Wahl (eine Liste „Annahmen / Implementierungsnotizen“). Das ist dein Prüfpfad, wo Karte und Gebiet auseinandergegangen sind.
4. Verifizieren – mach es real, behaupte es nicht einfach
Bevor du es als fertig bezeichnest, das Ergebnis ausführen – gute Argumentation garantiert keine gute
Antwort. Code: Führe ihn aus oder schreibe die kleinste Prüfung, die fehlschlägt, wenn die Logik bricht,
und sieh dir die Ausgabe an. Recherche/Analyse: Teste die Kernaussage an einer Quelle. Design/Schreiben:
Setze es vor den echten Kontext. Das ist der Schritt, der einen soliden Plan in ein korrektes Ergebnis
verwandelt. Wenn die Verifikation fehlschlägt, nicht einfach noch einmal versuchen – betrete einen
begrenzten Korrektur-Kreislauf (Versuch → Verifikation → Diagnose → Wiederholung) mit expliziten
Abbruchkriterien. Siehe loop-engineering.md.
5. Im Kreislauf bleiben – die Kontrolle behalten
Vor dem Merge/PR, lass das Modell dich abfragen, was sich geändert hat, damit du die Arbeit tatsächlich vertreten kannst. Bauen ist jetzt billig; Wert zu generieren ist immer noch der schwierige Teil – im Kreislauf zu bleiben ist, wie du weiterhin in Richtung Wert steuerst, anstatt nur Bewegung auszuliefern.
Regeln
- Vage Spezifikation oder unbekanntes Terrain → Schritt 2 vor Schritt 3 ausführen. Nicht die erste Interpretation stillschweigend implementieren.
- Aufzählung / Zählung / präzise Suche → Skripten, nicht erinnern.
- Geschmacks-/subjektive Entscheidung → Varianten anbieten, nicht eine auswählen und hoffen.
- Beende einen Bau immer mit einer protokollierten Annahmenliste und (interaktiv) einer Rückfrage.
- Das Ergebnis verifizieren, nicht behaupten – ausführen / prüfen / die Ausgabe antreiben, bevor du es als fertig bezeichnest. Ein guter Plan ist keine korrekte Antwort (siehe Fallstricke).
- Einmalig / autonom (kann nicht fragen)? Die Unbekannten trotzdem als schriftliche Liste an die Oberfläche bringen, vernünftige Standardwerte wählen und protokollieren – die Oberflächenbringung ist der Punkt, nicht das Fragen.
Fallstricke
- Der Wert des Skills liegt vorne und ist leicht zu überspringen. Die Auszahlung liegt in der Vor-Bau-Phase (Unbekannte, Varianten). Unter Zeitdruck springen Modelle direkt zum Code – genau dann beißt die Karte/Gebiet-Lücke. Wenn du Schritt 2 übersprungen hast, hast du das Skill nicht genutzt.
- „Unbekannte an die Oberfläche bringen“ ≠ „20 Fragen stellen und blockieren.“ Priorisiere die wenigen Unbekannten, die die Architektur oder die Antwort ändern würden. Trivialfragen verschwenden den Kreislauf.
- Nicht auf triviale Aufgaben übermäßig anwenden. Eine Einzeilenänderung oder eine offensichtliche Korrektur braucht keinen Blind-Spot-Pass. YAGNI gilt auch für Prozesse – dies ist für nicht-triviale Arbeit.
- Varianten müssen wirklich unterschiedlich sein, nicht drei Schattierungen derselben Idee. Drei nahezu identische Optionen geben dem Menschen nichts, worauf er reagieren kann.
- Das Protokollieren von Annahmen ist keine optionale Absicherung. Es ist das Artefakt, das es dem Menschen ermöglicht, eine falsche Schätzung zu erkennen, bevor sie ausgeliefert wird. Eine nicht protokollierte Annahme ist eine stille Wette.
- Ein sichtbarer Plan ist keine verifizierte Antwort. Die eigentliche Grenze der Methode: Sie verbessert zuverlässig die Argumentation, aber Argumentation ≠ ein korrektes Ergebnis – besonders bei Code. Höre nicht bei einer großartigen UNKNOWNS-Liste und zuversichtlicher Prosa auf; Schritt 4 (Verifikation) ist obligatorisch – die Ausgabe ausführen.
- Ein Korrektur-Kreislauf braucht Ausgänge. Einen fehlschlagenden Schritt ohne neue Hypothese zu
wiederholen, oder nach einer entdeckten Unbekannten weiterzulaufen, ist eine Blockade – kein
Fortschritt. Begrenze Iterationen, erfordere ein sich bewegendes Signal in jeder Runde und gib an den
Menschen ab, wenn du feststeckst (
loop-engineering.md). - Schwache/kleine Modelle (≤ ~8B) brauchen die Lite-Variante. Der volle „Alle Unbekannten an die
Oberfläche bringen, dann den Code ableiten“-Prompt überlastet die Kapazität eines kleinen Modells und
verschlechtert seine Implementierung – es argumentiert mehr, aber codiert schlechter. Für diese
Modelle die Unbekannten auf 2–3 begrenzen und mit einer Referenz zum Anpassen verankern, anstatt
abzuleiten (siehe
prompts.md→ Kleine / lokale Modelle). Leistungsfähige/rechnende Modelle brauchen das nicht.