写在前面：本文改写自 Anthropic Claude Code 团队工程师 Thariq（@trq212）于 2026 年 7 月 3 日发布的长文《A Field Guide to Fable: Finding Your Unknowns》，原文发布一天突破 150 万阅读、1.2 万人收藏。傻狗频道在原文基础上补充了背景、典故与解读。
这篇文章为什么值得读
写这篇文章的人叫 Thariq，是 Anthropic 内部开发 Claude Code 的工程师——全世界最早、最深度使用 Claude Fable 5 的那批人之一。
Fable 5 是 Anthropic 刚发布的 Claude 5 家族的第一个模型，定位在比 Opus 更高一级的「Mythos 级」，是目前公开可用的最强 Claude。
按常理，模型越强，人应该越省心。但这位每天泡在最强模型里的工程师，开篇就抛出一个反直觉的结论：
Fable 是第一个让他感觉到「产出质量的瓶颈不再是模型，而是我自己」的模型。
模型已经强到：它做得好不好，取决于你能不能把自己没说清楚的东西说清楚。换句话说——AI 越强，你越是瓶颈。这个判断适用范围远不止程序员。
地图不是疆域：95 年前的老概念，成了 AI 时代的第一性原理
Thariq 全文的地基，是一句老话：「地图不是疆域」（The map is not the territory）。
这句话不是他发明的。1931 年，波兰裔美国学者阿尔弗雷德·柯日布斯基提出了这个概念：人对世界的描述永远不等于世界本身，就像地图画得再好，也不是那片真实的土地。查理·芒格后来把它列入自己的思维模型清单。
Thariq 把它翻译到了 AI 协作场景：
地图和疆域之间的差值，他起了个名字，叫未知数（unknowns）。
AI 干活时一旦撞上未知数——你没说清楚的地方——它就只能猜你想要什么。活儿越大，撞上的未知数越多，猜错的次数也越多。最后你看着结果说「这不是我想要的」，其实很多时候不是 AI 不行，是你给的地图上有大片空白。
所以核心方法论就一句话：和 AI 协作，本质是一个在实现之前、之中、之后不断发现自己未知数的迭代过程。
四种未知数：从拉姆斯菲尔德到你的提示词
Thariq 用一个四象限，把你面对任何问题时的认知状态拆成四种：
一个冷知识：这套说法之所以出名，是因为 2002 年美国国防部长拉姆斯菲尔德在记者会上用它回应伊拉克问题，当时被媒体嘲笑是绕口令，后来反而成了决策科学的经典框架。更早的源头是 1955 年心理学的「乔哈里视窗」。Thariq 等于把一个 70 年前的心理学工具，改装成了 AI 时代的提示词工程指南。
四象限里最坑人的是「未知的已知」。「已知的未知」你至少会去问，「未知的未知」AI 有时会主动帮你撞出来，唯独你觉得不言自明的东西，会安安静静潜伏到项目做完，在验收那一刻爆炸：「这怎么跟我想的完全不一样？」
Thariq 还有个观察：Anthropic 内部用 AI 用得最好的人——比如 Claude Code 之父 Boris Cherny、Bun 的作者 Jarred Sumner——共同点不是提示词写得花哨，而是未知数少。他们对代码库和模型行为的理解深到想要什么一清二楚，但即便是他们，也会主动假设自己有盲区。
用 AI 的核心技能，不是写提示词，而是管理自己的未知数。而这是可以练的。
指令的两难：说太细会僵化，说太粗会跑偏
不管理未知数，你两头都输：路上有坑你不知道；路明明通畅、你希望 AI 绕道时它也不知道。
好消息是，Claude 本身就是挖掘未知数最快的工具。关键动作只有一个：把你的起点交代清楚——你想到哪一步了、你对问题和项目熟不熟、你希望它当思考伙伴而不是执行机器。
下面是 Thariq 的完整工具箱，按三个阶段展开，每招附可直接抄的中文提示词。
第一阶段：动手前
招式一：盲区扫描（Blind Spot Pass）
适用场景：在陌生领域干活，满身「未知的未知」。做法是直接让 Claude 帮你找盲区，Thariq 强调要用「盲区扫描」「未知的未知」这样的原词，并交代自己的背景。
注意第二条——不是让 AI 直接干活，而是让 AI 先教你，让你变成更好的甲方。这个思路贯穿全文。
招式二：头脑风暴 + 原型
适用场景：「我看到才知道要不要」的事，典型如视觉设计——这是在对付「未知的已知」。这类未知数在原型阶段发现很便宜，在实现阶段发现很贵：规格上一个小改动，反映到代码里可能是天翻地覆的重写。
Thariq 几乎每个项目都从头脑风暴开场：Claude 经常提出他想不到的高价值方案，头脑风暴同时防两件事——范围定太窄和定太宽。
招式三：反向面试
头脑风暴完还剩一堆没想清楚的地方，这时换个方向——让 AI 面试你：
后半句是精髓：按「答案影响多大」排序，架构级歧义先问，细枝末节放后面。
招式四：给参考物，源码是最好的参考
有些东西你描述不出来，别硬描述，给参考。图、文档、截图都行，但 Thariq 给了明确排序：最好的参考是源代码。有个库实现了你想要的行为？直接把文件夹指给 Fable，哪怕是另一种编程语言写的都没关系。
他还顺带透露了 Claude 设计功能的原理：你把一个喜欢的网站模块指给它，它读的不是截图，而是页面底层的代码——这比「照着截图仿一个」的信息量大一个数量级。
招式五：实现计划，把你最可能改的放最前面
审计划的时间有限，应该全花在「你的意见会改变结局」的地方。
第二阶段：动手中
招式六：偏差日志（implementation-notes.md）
计划做得再足，未知的未知永远潜伏着。解法不是阻止 AI 偏离计划，而是把偏离记录下来：
这招同时解决两个矛盾的诉求：不打断 AI 的工作流，又不丢失任何决策记录。这些偏差记录，就是你下一轮的「地图更新包」。
第三阶段：交付后
招式七：打包成一份能拉到赞成票的文档
审核你工作的人，起点就是你当初的那些未知数，他们会问的问题恰好是你已经趟过的坑。所以让 Claude 把过程资产打包：
「演示动图放最上面」是社会经验，不是技术：人先被结果说服，才有耐心看过程。
招式八：考试不及格，代码不合并
全文最狠的一招。一场长时间的 AI 工作下来，Claude 干的活可能远超你的感知，光看代码差异只能获得表面理解。Thariq 的规矩是：让 Claude 出一份考卷考我，考不到满分，我不合并这次改动。
这招直击 AI 时代最大的暗坑——「不理解就签收」。代码可以让 AI 写，但理解没法外包。这一条不止适用于代码：AI 帮你写的合同、报告、方案，同理。
实战：Fable 的发布视频，是 Claude Code 自己剪的
Claude Fable 5 的官方发布视频，从头到尾是用 Claude Code 剪辑的。操刀的就是 Thariq 本人，而他不是视频专业出身。他是这么一步步管理自己未知数的：
第三步就是整篇文章的浓缩：发现自己不知道「好」长什么样的那一刻，先补认知，再提需求。
最后说两句
Thariq 的收尾观点：模型越强，正确的方法能兑现的价值就越大。当一个长任务的结果不对时，先别骂 AI——大概率是你该花更多时间定义你的未知数了。
盲区扫描、头脑风暴、反向面试、参考物、原型、偏差日志、考卷——七招本质上是同一件事：
趁便宜的时候，把「你不知道自己不知道」的东西挖出来。等到实现完再发现，就贵了。
这套东西表面是写给程序员的，但把「代码库」换成「你的业务」，把「合并代码」换成「签字确认」，它就是一份通用的 AI 协作手册。AI 时代真正拉开差距的能力，不是谁的提示词华丽，而是谁更诚实地面对自己的无知，并有一套流程把无知系统性地变成已知。
下次开新项目，第一句话可以这么说：「先别干活，帮我找找我的未知数。」
原文：A Field Guide to Fable: Finding Your Unknowns（Thariq @trq212，Anthropic Claude Code 团队，2026-07-03）