Communitygithub.com

Fable Workflow

Fable Workflow — 一款可移植的 Claude Code / Cursor 智能体技能,让任何模型(Opus、Sonnet、Haiku、Fable)在构建之前先发现未知,而不是在构建之后。

Fable Workflow 是什么?

Fable Workflow 是一种面向“Mithril 级”模型的智能体技能,旨在解决一个核心问题:当模型能力足够强、能够自主探索庞大的解决方案空间时,真正的瓶颈不再是模型本身的能力,而是人类用户的“地图”(计划/需求)是否与“领土”(实际代码库和约束)相匹配。该技能通过一个五步循环——解除限制(优先使用工具而非记忆)、发现未知(识别已知-已知、已知-未知、未知-已知、未知-未知)、构建(但记录所有偏离)、验证(实际运行结果而非仅断言)、保持循环(让人类始终参与决策)——来弥合这一差距。它支持 Claude Code 和 Cursor 等平台,可通过 `FABLE_STRICT=1` 环境变量启用严格验证门,并提供了 `hooks/` 和 `scripts/goals.py` 等工具来强制执行工作流。该技能的独特价值在于其前置投入:在构建前主动暴露和决策不确定点,从而避免模型静默猜测导致的结果偏离。它特别适用于非平凡的开发、研究和设计任务,但提醒用户注意避免过度应用于简单任务,并且强调对于小规模参数模型(≤8B)需要减配使用。

兼容平台✓Claude Code~Codex CLI✓Cursor✓Antigravity
npx skills add joey114132/fable-workflow-skill

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

Fable Workflow 是做什么的?

一种适用于能力型("Mithril 级")模型的工作方法。模型足够强大,能够自行遍历巨大的解空间——因此瓶颈不再是 它的 能力,而是在模型开始行动之前,人类的地图是否与领土匹配。这个技能正是为了弥合这一差距。

提示模板位于 prompts.md —— 当你需要精确措辞时请阅读它。 作为 Claude Code 插件安装,可选钩子 强制执行 这一点——一个 Stop 验证门,用于阻止无根据的"完成"(通过 FABLE_STRICT=1 可选启用)。参见 hooks/。 多步骤工作 → 完成门(scripts/goals.py,参见 completion-gate.md)将任务分解为目标,并拒绝无根据的"完成"。

核心理念

地图不是领土。 你脑中的计划/规范/提示是 地图。真正的代码库和约束是 领土。模型遇到地图未覆盖的领土的每一个地方都是一个 未知——一个未指定的决策点。一个能力强的模型会遇到很多这样的未知,因为它广泛探索。如果不加干预,它会静默猜测;每一次静默猜测都是结果可能偏离用户想要的结果的地方。因此:先暴露未知,明确决策它们,然后再构建。 这在任何领域都适用——一个模糊的研究问题、一个含混的设计简报、或一个不明确的分析,都隐藏着相同的未指定决策。

循环

1. 解除限制——使用工具,而非记忆

能力强的模型以 突变的 方式变得更聪明:一个它们靠记忆失败的问题,通过编写脚本反而能完美解决(例如,“哪些宝可梦的名字以 'aw' 结尾?” → 获取列表,过滤它)。因此,对于任何枚举/计数/查找/精确字符串任务,使用工具(Bash、脚本、搜索)而不是凭记忆回答。优先选择带有上下文的较小指令集,而不是一长串“不要”约束——约束会限制一个比你给它的示例更具想象力的模型。

2. 发现未知——在编写真正的东西之前

将问题分类为:已知-已知(你会把它们写在提示中)、已知-未知(你知道你还没决定)、未知-已知(太明显了你没说出来——你看到它时就会知道)、未知-未知(从未考虑过)。使用这些方法将底行拖入光明(prompts.md 中有可直接复制的版本):

  • 盲点扫描 ——“对这个模块/领域做一次盲点扫描;列出我的未知-未知以及陷阱在哪里。”将其指向 git diff、Slack、文档以获取上下文。对新代码库和新领域都很有用。
  • 采访我 ——让模型采访你,优先考虑那些会改变架构的问题。 向它提供关于你和当前阶段的背景信息。
  • 针对品味判断的变体 ——对于任何“我看到时就知道”(设计、输出格式、API 外形)的东西,要求提供 N 个故意不同的选项来做出反应,而不是一个。
  • 引用作为地图 ——不是编写完整的规范,而是给它示例代码或模型来代表目标(“阅读这个,然后按照它的精神来构建”)。第二张地图胜过散文。

3. 构建——但记录偏差

在构建过程中,记录它遇到的每一个未知以及它做出的选择(一个“假设/实现说明”列表)。这就是你的审计追踪,记录地图和领土在何处发生了分歧。

4. 验证——让它真实发生,而不仅仅是断言它

在宣告完成之前,运行结果——好的推理并不能保证好的答案。代码:运行它,或者编写一个最小的检查,当逻辑崩溃时它会失败,并查看输出。研究/分析:对照来源测试关键主张。设计/写作:将其置于真实上下文中。这一步将一个合理的计划变成一个正确的结果。当验证失败时,不要一次性再试一次——进入一个有界的修正循环(尝试 → 验证 → 诊断 → 重复),并带有明确的停止条件。参见 loop-engineering.md。

5. 保持在循环中——持续拥有它

在合并/PR 之前,让模型考考你关于发生了什么变化,这样你才能真正代表这项工作。构建现在很便宜;创造价值仍然是困难的部分——保持在循环中是你如何持续朝价值方向前进,而不仅仅是交付运动量的方式。

规则

  • 模糊的规范或不熟悉的领域 → 在第 3 步之前执行第 2 步。 不要静默地实现第一个解释。
  • 枚举/计数/精确查找 → 编写脚本,不要回忆。
  • 品味/主观判断 → 提供变体,不要选择一个并抱有希望。
  • 总是以记录的假设列表和(交互式)回顾测试结束构建。
  • 验证结果,不要断言它——在宣告完成之前运行/检查/驱动输出。好的计划不是正确的答案(参见陷阱)。
  • 一次性/自主(不能问)?仍然将未知作为书面列表暴露出来,选择合理的默认值,并记录它们——暴露是重点,而不是提问本身。

陷阱

  • 该技能的价值前置,且容易被跳过。 回报在 构建前 阶段(未知、变体)。时间紧迫时,模型直接跳到代码——这正是地图/领土差距咬人的时候。如果你跳过了第 2 步,你就没在使用这个技能。
  • “暴露未知”≠“问 20 个问题然后停滞不前。” 优先考虑少数几个会改变架构或答案的未知。琐碎问题会浪费循环。
  • 不要过度应用于琐碎任务。 一行更改或明显的修复不需要盲点扫描。YAGNI 也适用于流程——这适用于非平凡的工作。
  • 变体必须是真正不同的,而不是同一想法的三种变体。 三个几乎相同的选项让人没有反应的空间。
  • 记录假设不是可选的保护。 它是让人在发布之前发现错误猜测的产物。未记录的假设是一场静默赌博。
  • 暴露的计划不是验证过的答案。 该方法真正的限制:它可靠地改善推理,但推理 ≠ 正确的结果——尤其是对于代码。不要满足于一个很棒的 UNKNOWNS 列表和自信的散文;第 4 步(验证)是强制性的——运行输出。
  • 修正循环需要退出条件。 在没有新假设的情况下重试失败步骤,或在发现未知后循环过去,是挂起——不是进步。限制迭代次数,每轮要求一个移动的信号,并在卡住时提交给人类(loop-engineering.md)。
  • 弱/小模型(≤ ~8B)需要精简变体。 完整的“暴露所有未知,然后推导代码”提示会挤占小模型的容量,并降低其实现质量——它推理更多但编码更差。对于这些模型,将未知数限制在 2-3 个,并使用要改编的参考来锚定,而不是从头推导(参见 prompts.md → 小型/本地模型)。能力型/推理模型不需要这个。

相关技能