Fable Workflow は何をしますか?
高性能(「ミスリル級」)モデルのための実践手法。モデルは単独で巨大な解空間を探索できるほど強力であるため、ボトルネックはもはやモデルの能力ではなく、モデルが動き始める前に人間の「地図」が現実の「領域」と一致しているかどうかにあります。このスキルはそのギャップを埋めます。
プロンプトテンプレートは
prompts.mdにあります — 正確な文言が必要なときに読んでください。 Claude Codeプラグインとしてインストールされ、オプションのフックがこれを強制します —Stop確認ゲートが根拠のない「完了」をブロックします(FABLE_STRICT=1でオプトイン)。hooks/を参照。 マルチステップ作業 → 完了ゲート(scripts/goals.py、completion-gate.md参照)が目標を分解し、根拠のない「完了」を拒否します。
一つのアイデア
地図は領域そのものではない。 あなたの頭の中の計画/仕様/プロンプトは 地図 です。実際のコードベースと制約は 領域 です。モデルが地図でカバーされていない領域に遭遇するたびに、それが 未知 — 未指定の決定点 — となります。高性能モデルは広範囲に探索するため、多くの未知に遭遇します。放置すると、モデルは黙って推測します。その推測の一つ一つが、結果がユーザーの意図から乖離する可能性のある箇所です。そこで:最初に未知を表面化させ、明示的に決定し、それから構築する。 これはどんな分野でも当てはまります — 曖昧な研究質問、不明確なデザインブリーフ、不十分に定義された分析は、どれも同じ未指定の決定を内包しています。
ループ
1. アンホブル — 記憶ではなくツールに頼る
高性能モデルは スパイク状に 賢くなります。記憶から失敗する質問でも、スクリプトを書くことで正解できます(例:「"aw"で終わるポケモンの名前は?」→リストを取得し、フィルタリング)。そのため、列挙/カウント/ルックアップ/正確な文字列タスクでは、記憶から答える代わりにツール(Bash、スクリプト、検索)を使用してください。「〜してはいけない」という長い制約リストよりも、コンテキスト を持つ小さな命令セットを優先してください — 制約は、あなたが与える例よりも想像力豊かなモデルを制限してしまいます。
2. 未知を見つける — 本番のコードを書く前に
問題を次のように分類します:既知の既知(プロンプトに書くもの)、既知の未知(まだ決めていないと分かっているもの)、未知の既知(あまりに明白で言及しなかったもの — 見ればわかる)、未知の未知(考えたこともなかったもの)。以下のテクニックを使って、一番下の行を明るみに出します(prompts.md にコピペ可能なバージョンがあります):
- ブラインドスポットパス — 「このモジュール/ドメインに対してブラインドスポットパスを実行し、私の未知の未知と落とし穴をリストアップしてください。」git diff、Slack、ドキュメントをコンテキストとして指し示します。新しいコードベースにも新しい分野にも最適です。
- 私にインタビューする — モデルにあなたにインタビューさせます。アーキテクチャを変えるような質問を優先します。 あなたと、あなたがいるステージに関するコンテキストを与えてください。
- テイストコールのためのバリアント — 「見ればわかる」もの(デザイン、出力形式、APIの形状)については、1つではなく N個の意図的に異なる選択肢 を求め、それに反応します。
- 地図としてのリファレンス — 完全な仕様を書く代わりに、対象を表すサンプルコードやモックアップを渡します(「これを読んで、その精神に沿って構築してください」)。2つ目の地図は散文に勝ります。
3. 構築する — ただし乖離をログに記録する
構築中に、遭遇したすべての未知と、その選択をログに記録します(「前提条件/実装メモ」リスト)。これが地図と領域が乖離した箇所の監査証跡となります。
4. 検証する — 主張するだけでなく、実際に動作させる
完了と呼ぶ前に、結果を実行してください — 優れた推論は優れた答えを保証しません。コード:実行するか、ロジックが壊れた場合に失敗する最小限のチェックを書き、出力を確認します。研究/分析:主要な主張を情報源に対してテストします。デザイン/文章:実際のコンテキストで試してみます。これこそ、健全な計画を正しい結果に変えるステップです。検証が失敗した場合、ワンショットでやり直さず、明示的な停止条件を設定した限定された修正ループ(試行→検証→診断→繰り返し)に入ります。loop-engineering.md を参照。
5. ループに留まる — 所有権を維持する
マージ/PRの前に、モデルに変更点についてあなたにクイズを出させることで、実際に作業を説明できるようにします。構築は今や安価です。価値を生み出すことは依然として難しい部分です — ループに留まることで、単に動きを出荷するのではなく、価値に向かって舵を取り続けられます。
ルール
- 曖昧な仕様または不慣れな領域 → ステップ3の前にステップ2を実行する。 最初の解釈を黙って実装しないでください。
- 列挙/カウント/正確なルックアップ → スクリプトで実行し、記憶から呼び出さないでください。
- テイスト/主観的な判断 → バリアントを提示し、1つ選んで祈らないでください。
- 構築は常にログされた前提条件リストと(対話的に)クイズバックで終了します。
- 結果を検証し、主張しないでください — 完了と呼ぶ前に、実行/確認/出力を駆動してください。優れた計画は正しい答えではありません(「落とし穴」を参照)。
- ワンショット/自律(質問不可)? それでも未知を明示的なリストとして表面化させ、適切なデフォルトを選び、ログに記録してください — 重要なのは質問することではなく、表面化させることです。
落とし穴
- このスキルの価値は前半に集中しており、スキップしやすいです。 見返りは構築前のフェーズ(未知、バリアント)にあります。時間に追われるとモデルはすぐにコードに飛びつきます — まさにそのとき、地図/領域のギャップが牙をむきます。ステップ2をスキップしたなら、このスキルを使っていないことになります。
- 「未知を表面化する」≠「20の質問をして足止めする」 アーキテクチャや答えを変えるであろう少数の未知を優先します。些末な質問はループを無駄にします。
- 些細なタスクに過剰に適用しないでください。 1行の変更や明白な修正にブラインドスポットパスは不要です。プロセスにもYAGNIは適用されます — これは重要な作業のためのものです。
- バリアントは真に異なるものでなければならず、同じアイデアの3つの類似したバリエーションであってはなりません。 ほぼ同一の3つの選択肢は、人間に反応する材料を提供しません。
- 前提条件のログはオプションの保険ではありません。 それは人間が誤った推測を出荷前にキャッチできるようにする成果物です。ログされていない前提条件は、静かな賭けです。
- 表面化した計画は検証済みの答えではありません。 この手法の真の限界:推論を確実に改善しますが、推論≠正しい結果 — 特にコードの場合。素晴らしいUNKNOWNSリストと自信に満ちた散文で止まらないでください。ステップ4(検証)は必須です — 出力を実行してください。
- 修正ループには出口が必要です。 新しい仮説なしに失敗ステップを再試行したり、発見された未知を超えてループし続けることは、進捗ではなくハングです。反復回数を制限し、毎回動くシグナルを要求し、行き詰まったら人間にエスカレーションしてください(
loop-engineering.md)。 - 弱い/小規模モデル(〜8B以下)は軽量バリアントが必要です。 フルバージョンの「すべての未知を表面化し、そこからコードを導出する」プロンプトは、小規模モデルのキャパシティを圧迫し、実装を劣化させます — 推論は向上してもコードが悪化します。そのようなモデルには、未知を2〜3に制限し、導出ではなく適応するためのリファレンスを基準にしてください(
prompts.md→ Small / local models を参照)。高性能/推論モデルにはこれは不要です。