Communitygithub.com

joey114132/fable-workflow-skill

Fable Workflow — 一個可攜帶的 Claude Code / Cursor 代理技能,能夠讓任何模型(Opus、Sonnet、Haiku、Fable)在開始建構之前找出未知問題,而非事後才發現。

fable-workflow-skill 是什麼?

Fable Workflow 是一個專為高能力(「秘銀級」)AI 模型設計的工作方法,旨在解決模型自主探索時因人類地圖(規格、提示)與實際領域(程式碼、限制)不一致而產生的未知問題。此技能強制模型在撰寫實際程式碼或內容前,先系統性地找出並列舉這些未知,包括已知已知、已知未知、未知已知與未知未知。它支援 Claude Code 和 Cursor 等代理平台,並提供可選的嚴格模式(`FABLE_STRICT=1`)與驗證閘門,透過 `hooks/` 和 `scripts/goals.py` 強制執行完成條件。工作流程包含五大步驟:解除限制(使用工具而非記憶)、找出未知(盲點掃描、面試、提供變體、使用參考)、建構但記錄偏差、驗證結果(不可僅憑推斷),以及保持循環。此技能最適合非瑣碎的任務,其價值在於前期階段,能顯著減少模型因猜測而導致的偏離,但驗證步驟是強制性的,以確保計劃的正確性而非僅是合理的推論。

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

在你喜歡的 AI 中提問

開啟一個已預先載入此 Agent Skill 的新對話。

說明文件

Fable Workflow

一個適用於能力強大(「秘銀級」)模型的工作方法。模型本身已足夠強大,能夠自行探索龐大的解決方案空間——因此瓶頸不再來自於它的能力,而是人類的地圖是否與真實領域相符,然後模型才開始行動。本技能旨在縮小這個差距。

提示範本位於 prompts.md——需要確切詞語時請閱讀該檔案。 以 Claude Code 外掛形式安裝時,可選的鉤子能強制執行此流程——一個「停止」驗證閘門,可阻止無根據的「完成」(透過 FABLE_STRICT=1 選擇啟用)。請參閱 hooks/。 多步驟工作→完成閘門(scripts/goals.py,請參閱 completion-gate.md)會將工作分解為目標,並拒絕一個無根據的「完成」。

核心概念

地圖並非領土。 你腦中的計劃/規格/提示是地圖。真正的程式碼庫和限制條件是領土。每當模型遇到地圖未能涵蓋的領土時,就會出現一個未知問題——一個未明確指定的決策點。一個能力強大的模型會遇到許多這樣的問題,因為它廣泛探索。若放任不管,它會默默猜測;每一個默默猜測都是一個結果可能偏離使用者意圖的點。因此:先找出未知問題,明確決定它們,然後再建構。 這在任何領域都適用——一個模糊的研究問題、一個不明確的設計簡報,或一個未充分定義的分析,都隱藏著同樣未指定的決策。

循環

1. 解除限制——使用工具,而非記憶

能力強大的模型會以突發性的方式變得更聰明:一個他們從記憶中無法回答的問題,他們能透過編寫一個腳本完美解決(例如「哪些神奇寶貝名字結尾是 'aw'?」→ 獲取名單並過濾)。因此,在任何列舉/計數/查詢/精確字串任務中,請使用工具(Bash、腳本、搜尋),而非憑記憶回答。偏好較小的指令集加上上下文,而非一長串「不要做」的限制——對於比你能給出的範例更具想像力的模型,限制會削弱其能力。

2. 找出未知——在撰寫真正內容之前

將問題分類為:已知已知(你會在提示中寫下這些)、已知未知(你知道你尚未決定)、未知已知(明顯到你沒說出來——但你一看就會知道)、未知未知(從未考慮過)。使用以下手法將底層項目推向光明(prompts.md 中有可複製貼上的版本):

  • 盲點掃描——「對這個模組/領域進行一次盲點掃描;列出我的未知未知以及潛在陷阱在哪裡。」將其指向 git diffs、Slack、文件以獲取上下文。非常適用於新的程式碼庫以及新的領域。
  • 面試我——讓模型面試你,優先考慮那些會改變架構的問題。提供關於你和當前階段的上下文。
  • 針對品味判斷提供變體——對於任何「我看到就知道」的事物(設計、輸出格式、API 形狀),要求提供N 個故意不同的選項供你反應,而非只有一個。
  • 參考資料作為地圖——與其撰寫完整的規格,不如給它範例程式碼或一個模型來代表目標(「讀取這個,然後以其精神來建構」)。第二張地圖勝過文字描述。

3. 建構——但記錄偏差

在建構過程中,記錄它所遇到的所有未知以及所做的選擇(一個「假設/實作筆記」清單)。這就是你的稽核軌跡,記錄了地圖和領土之間的分歧點。

4. 驗證——讓它變真實,而非僅是斷言

在稱之為完成之前,實際執行結果——良好的推理並不能保證良好的答案。程式碼:執行它,或撰寫一個在邏輯出錯時會失敗的最小檢查,並查看輸出。研究/分析:針對某來源測試關鍵聲明。設計/寫作:將其放在真實的上下文中。這一步能將一個合理的計劃轉變為一個正確的結果。當驗證失敗時,不要再次一次性嘗試——進入一個有界限的修正循環(嘗試 → 驗證 → 診斷 → 重複),並帶有明確的停止條件。請參閱 loop-engineering.md。

5. 保持在循環中——持續掌控

在合併/PR 之前,讓模型考你關於變更的內容,這樣你才能真正代表這項工作。建構現在很便宜;產生價值仍然是困難的部分——保持在循環中是你能持續朝向價值前進的方式,而不僅僅是交付動作。

規則

  • 模糊的規格或不熟悉的領域 → 在步驟 3 之前先執行步驟 2。 不要默默實作第一個解釋。
  • 列舉/計數/精確查詢 → 用腳本處理,不要回憶。
  • 品味/主觀判斷 → 提供變體,不要選擇一個然後祈禱。
  • 始終以一個記錄的假設清單以及(互動式)一個回饋測驗來結束建構。
  • 驗證結果,不要斷言——在稱之為完成之前執行/檢查/驅動輸出。好的計劃並不等於正確的答案(請參閱常見陷阱)。
  • 一次性/自主(無法提問)?仍然將未知問題以書面清單形式呈現,選擇合理的預設值,並記錄它們——呈現才是重點,而不是提問。

常見陷阱

  • 本技能的價值集中在前期,且容易被跳過。 回報在於建構前階段(未知問題、變體)。在時間壓力下,模型會直接跳入寫程式碼——這正是地圖/領土差距會造成影響的時候。如果你跳過了步驟 2,你就沒有使用這項技能。
  • 「找出未知」≠「問 20 個問題然後停滯不前。」 優先處理那幾個會改變架構或答案的未知問題。瑣碎的問題會浪費循環。
  • 不要過度應用於瑣碎任務。 一行變更或明顯的修正不需要進行盲點掃描。YAGNI 也適用於流程——這項技能是針對非瑣碎的工作。
  • 變體必須是真正不同,而不是同一想法的三種漸變。 三個幾乎相同的選項無法給人類任何反應的空間。
  • 記錄假設不是可選的保護措施。 它是讓人類能夠在一個錯誤猜測出貨之前發現它的關鍵產出物。一個未記錄的假設就是一個無聲的賭注。
  • 浮現的計劃並非經過驗證的答案。 該方法的真正限制:它可靠地改善推理,但推理 ≠ 正確的結果——特別是對於程式碼。不要停留在一個偉大的 UNKNOWNS 清單和自信的散文上;步驟 4(驗證)是強制性的——實際執行輸出。
  • 修正循環需要退出條件。 沒有新假設就重試一個失敗的步驟,或在發現未知問題後繼續循環,都是一種掛起——而非進展。限制迭代次數,每次轉折都需要一個前進訊號,並在卡住時中斷給人類處理(loop-engineering.md)。
  • 弱/小型模型(≤ ~8B)需要輕量變體。 完整的「找出所有未知,然後推導出程式碼」提示會佔用小模型的容量,並降低其實作品質——它推理更多,但編碼更差。對於這些模型,將未知問題限制在 2-3 個,並用一個可供改編的參考作為錨點,而非推導(請參閱 prompts.md → 小型/本機模型)。能力強大/推理模型不需要這樣。

相關技能