How to Get the Most Out of Fable 5 and GPT-5.6 Sol

今天在AI每日简报中，我们来聊聊如何最大化利用前沿模型。

AI每日简报是一个每日更新的播客和视频节目，专注于AI领域最重要的新闻和讨论。

好了朋友们，在深入之前先快速说几个通知。

另外，关于今天这期节目有个小提示。

这期是提前录制的。

实际上，我是在周四下午录的，当时大家都在为Gemini 3抓狂。

所以如果Dario和Sam——你懂的——因为那个让纳斯达克市值暴跌的威胁而失去理智，发布了新版Fable和GPT，那你就知道我为什么现在不谈这个了。

周一我稍微出趟差。

周二我会回来，发一期常规节目。

不过，不管模型界的风云如何变幻，今天的节目重点还是关于如何最大化利用最先进、最新的模型。

好，废话不多说，我们直接开始。

现在，Fable 5和GPT-5.6这批新模型已经推出几个星期了。

奇怪的是，这些模型实际存在的时间其实比几个星期还要长一些。

GPT-5.6的早期访问期特别长，而Fable 5则来了几天就又没了。

但现在，基本上所有人都已经用了一段时间这些模型了。

实际上，我们对这些模型的访问权限还在不断延长和重置。

与此同时，人们也开始分享他们最大化利用这些模型的技巧和诀窍。

新模型总是需要新的交互方式来充分发挥它们的潜力。

但这类信息恰恰是基准测试无法体现的，只能通过反复试错来积累经验。

你会看到，在5.6 SOL和Fable 5之间有很多共同点，我认为这不仅指出了充分利用这些模型的新方法，还揭示了一些未来会越来越常见的交互模式。

我们先从一些官方来源和评论说起。

Codex团队成员Eric Provencher写道，很多人用5.6 SOL时，提示词和当年用5.5一模一样。

需要指出的是，5.6 SOL比之前的模型更坚韧、更彻底。

Eric在官方的learn.chatgpt.com网站上发布了一份提示词指南，虽然这份指南并非专门针对如何从5.6而不是5.5中获得更多价值，但其中几点特别值得一提。

其中一条建议就源于这种坚韧性，那就是设定边界。

指南写道，边界是ChatGPT需要的一些指令，以避免产生额外工作或执行你不希望的操作。

当修改错误的细节会导致结果不可用时，或者当你希望在影响他人之前先审核某些内容时，就加上边界。

例如：保持已批准的日期和预算数字不变。

仅使用提供的来源。

如果信息缺失，则标记出来，不要凭空猜测。

把建议控制在给定的预算范围内。

把消息准备成草稿。

别发出去。

你可以看到，在每种情况下，一个更执着的模型——用Eric的话说——可能会比用户觉得舒服的程度多发挥一点主动性，然后真的去做一些事情，结果对提示者想达成的目标来说并不理想。

这些边界的一个例子是明确说明你希望它停在哪里，以及你不希望它采取哪些行动，比如不要发消息，只是准备成草稿。

另一个关于批准日期和预算数字的例子是限制和聚焦执着模型应用注意力的范围。

至于只使用提供来源的指令，一个能访问整个互联网的执着模型，如果没被告知不要这么做，可能会跑偏，陷入一些严重的兔子洞。

现在，显然设定边界不是什么新鲜事，但关键在于，模型越强大，这些边界就越重要，而且如果没设定边界，可能带来的现实后果就越严重。

在后果光谱的低端，就是消耗比你实际需要的多得多的token，在这个越来越注重成本的时代，这也不是小事。

但当然还有更大的后果，比如把还没批准的消息发给重要的客户、合作伙伴或同事。

Eric的另一个提示技巧——这也不是什么新东西，但肯定符合5.6 SOL这种模型的特点，即你实际上要跟它互动，而不是只交给它一个任务然后让它跑去做自己的事——就是通过后续消息与模型迭代来改进结果。

一旦你看到第一版，你就可以跟进一些东西，比如让开头更直接，保留证据，把这里或那里调整一下位置。

有趣的是，迭代越来越不会完全以回合制的方式发生，即你必须停下来等一个输出，然后才能引导模型下一步去哪里。

随着ChatGPT和Codex整合在一起，一些在Codex中常见的引导行为也可以进入主应用体验。

指南里写道，当Codex已经在工作时，你可以在当前运行还没完成时再发一条消息。

Steer会把消息添加到当前运行中。

用它来改变方向、添加缺失的细节或分享新的信息。

Queue会保存消息用于下一次运行。

把它当作一个要等当前工作完成后再进行的后续操作。

这种行为减少了与AI协作的延迟，随着模型变得更强大，这种延迟的重要性会越来越高。

现在，最近Codex和ChatGPT的整合，以及ChatGPT拆分为chat和work，带来的一个结果是不同体验类型需要不同的提示技巧。

在这篇帖子里，Eric和ChatGPT团队明确区分了针对chat而不是work的提示最佳实践和示例。

很多关于work的提示都带有成本和效率意识。

有一节叫“高效使用Work”，里面说，work适合处理耗时或重复的任务，或者适合处理可以重复使用的完整文件。

一个消耗更多credits的任务仍然是值得的，如果它能节省时间、提高质量或帮助你做出重要决定的话。

而且他们的很多建议还是关于管理Eric提到的那个执着特性的。

他们建议从一个你可以审查的结果开始，并在任务开始做你不再需要的工作时，缩小范围或停止任务。

当然这里还有很多内容，但我最后特别想提的一个建议是使用语音听写——如果你常待在这个领域，你会经常听到这个建议。

ChatGPT的一个很棒的地方是，即使你电脑上没装像WhisperFlow这样的工具，ChatGPT的听写功能也绝对是同类中最好的。

所以你可以使用应用内自带的原生听写工具。

我之前说过，在AI的背景下，语音听写之所以这么有价值，原因之一就是——上下文。

在这个AI需要更多信息才能做好工作的世界里，啰嗦的人将继承地球。

对着电脑说上几分钟，哪怕完全是毫无结构的意识流，往往也比一份超精确、表达清晰但未必包含所有上下文的打字笔记，更能给AI提供它需要的有效信息。

现在，这不是5.6发布时唯一的新模型指南。

在OpenAI开发者网站上，他们也为GPT-5.6列出了一套最佳实践。

酷的是，你实际上可以点击回看，看到之前模型的最佳实践，一路追溯到GPT-4.1。

AI内容创作者Ollie Lehmann觉得这份文档特别有价值，并总结了他发现的一些最佳技巧。

一，他写道，从你的旧提示中删除指令。

OpenAI的规则是，每条指令只陈述一次。

他们发现，移除重复指令能让分数提高10%到15%，同时减少最高达66%的Token消耗。

你为旧模型写的那些冗长规则列表，现在反而让GPT-5.6回答更差，还花你更多钱。

二，让计算量匹配任务。

现在有两个独立的调节钮：一是模型大小，比如Sol用于最难的难题，Terra用于日常业务工作，Luna用于便宜快速的任务；二是它思考的难度。

六个努力级别，从无到最大。

OpenAI关于思考旋钮的建议是：从你在上一个模型上用的设置开始，然后测试低一级。

新一代通常需要更少。

把最大级别留给你真正最难的难题。

这是那种听起来极其简单，但做起来几乎情感上都很难的建议。

对我们很多人来说，面对几乎每个问题，诱惑就是把设置调到最大，因为如果其他条件都一样，你难道不希望在每一个问题上都获得最多的智能吗？

即使不考虑成本，也越来越明显，那不一定是最优行为。

所以，这正是OpenAI试图给出一些离散指导的原因，告诉你应该怎么做。

另一个关于撤销先前指令的技巧是，检查你之前给出的关于简洁性的规则。

Ollie写道，GPT-5.6默认的回答比5.5更短，所以你为旧模型添加的简洁规则现在可能剪掉太多了。

当你确实想要短答案时，告诉它保留哪些信息，可以省略哪些细节，而不是笼统地说“保持简短”。

关于语气，具体的指令胜过抽象的指令。

例如，OpenAI建议“友好”和“有同理心”这类词太抽象了，相反，Ollie写道，要明确写出你想要的写作行为——要有多直接，开头怎么写，跳过什么。

比如像这样：“在第一行说出客户的问题，给出编号步骤的解决方案，跳过道歉段落”，这样每次能得到相同的语气。

话虽如此，如果这些技巧都非常清晰、实用，是你马上就能用的东西，那还有另一个我开始在许多讨论中看到的主题，那就是我们对待这些最先进模型的野心水平。

Intuit的AI UX产品经理Christine Zhu写了一篇帖子，名叫《你对Claude还不够有野心》。

Christine写道，我日常工作中最大的生产力和能力提升，发生在我超越自动化琐碎工作，开始让Claude去做更高杠杆的工作时。

几个月来，她写道，我一直用Claude来清理多巴胺积压——那些我因渴望获得即时快感和虚假进展感而过于急切完成的小任务。

这些自动化帮我省下了很多时间。

有了这些新腾出的时间和Fable，我开始用它做更高杠杆的工作。

那些我之前不放心交给Claude的硬任务。

这让我的生产力、工作容量和心流状态都有了最大的飞跃。

Christine引用了Stripe产品负责人Shreyas Doshi的一个概念，他写道：产品工作有三个层级——第一层是执行层，第二层是影响层，第三层是观感层。

Christine指出，引用原话：“很多人用Claude来自动化琐事、观感工作和执行工作，而把影响工作留给自己。”

我们告诉自己，判断力才是人类不可被替代的部分。

但一旦给对了上下文，Claude做苦活累活可以比你更快更好。

降低开始的启动能量本身就是一个重大突破。

实际上，Christine建议针对这三类工作分别用不同的方式来使用Fable 5。

比如观感工作，她说，就是要在合适的场合向合适的人展示团队的进展。

对此，她建议用Claude搭配Fable的自动驾驶模式来替代生产工作。

她举例说：我在Cowork上设置了一个定时任务，每周运行两次。

它会从关键来源拉取上下文，并将每个工作流的最新更新写入一个Google Sheet模板。

这个Google Sheet状态板对团队可见，他们可以自己找到答案，不用再来问我。

我还有一个技能，能把这些更新按不同层级打包，呈现给合适的受众和场合。

她继续说：观感工作是应该被无情自动化的那一层，因为它能清空多巴胺积压，让你保持心流状态。

事实上，她表示：如果这些流程很快被产品化集成到Claude本身，我一点也不会惊讶。

在下一层，对于执行工作，她建议不要把Claude当自动化工具，而是当副驾驶。

Christine接着说：每周一，我会运行一个上下文倾倒技能，它读取我过去一周在Slack、日历、笔记和代码仓库中的活动，给我一份效率分析和需要关注的模式，推荐应该优先做什么，还会给出具体的工作建议帮我启动。

这读起来不像一份总结，更像一个教练，他注意到我的个人习惯，能给出真正有帮助的观察和建议。

我还会运行一个规划技能，它会检查Jira状态和路线图，告诉我团队目前跟踪的进展以及下一步该安排什么。

为了贴近客户，我每月运行一个定时任务，分析我们的客户支持渠道，提炼出最热门的主题、趋势，并推荐我可以优先解决的最重要的请求或问题。

总的来说，她说，要对你的需求更有野心。

别把Claude只当作提炼摘要的工具。

让它帮你做判断。

最后，对于影响工作，她建议把Claude当作一个练习伙伴，帮你启动最困难的任务。

她说，这一层是最高杠杆的工作，但也是最难启动的，比如思考一个新产品的赌注、为高风险的演讲准备叙事、用业务单元战略来验证策略等等。

针对这一点，她建议值得花时间让Claude上手，并为它设置好正确的上下文。

这是我们反复讨论过的一个话题，创建一个个人上下文档案，包含任何AI或模型真正成为有用协作者所需的全部信息。

总体来看，最让我印象深刻的是，Christine似乎第一次真正感受到Fable为她解锁了这类高影响力工作。

她写道，Fable在影响力工作方面明显优于之前的模型。

我特别喜欢它的沉稳感。

它听起来更简洁。

感觉更像是在和一位聪明的同事对话，而不是读一堆充满不必要离题的长篇大论。

这对保持思路连贯有很大帮助。

当下最重要的AI问题之一，不是谁在用AI，而是谁把AI用得好。

KPMG和德克萨斯大学奥斯汀分校刚刚分析了140万次真实的职场AI交互，结果发现了令人意外的事情。

影响力最大的用户并不是更擅长写提示词的人。

他们把AI当作推理伙伴来对待。

他们界定问题，引导思路，反复迭代，推动获得更好的答案。

好消息是什么呢？

这些行为是可以大规模传授的。

如果你正试图从“能用AI”迈向“真正用好AI”，KPMG关于高级AI协作的研究值得你花时间看看。

随着2022年AI代码生成的出现，NVIDIA首席发明家和哈佛工程师Sid Pareshi采取了逆向立场：推理时计算和智能体编排，而不是预训练，才是解锁企业中高质量AI驱动软件开发的关键。

他认为真正的突破不在于AI生成代码的速度有多快，而在于它推理的深度如何，这才能构建企业级应用。

当整个世界都聚焦于“副驾驶”模式时，他构建了从根本上不同的东西。

Blitzy，首个利用数千个智能体、专为企业级代码库打造的自主软件开发平台。

财富500强领导者正在通过Blitzy解锁5倍的工程效率，将数月的工作量在几天内完成。

现在，谈到把Fable引入更高影响力和更高层级的工作，Claude Code团队的Tariq最近写了一篇文章，题为《Fable实地指南：发现你的未知》。

Tariq写道，和Claude Fable 5一起工作不断让我复习一个老道理：地图不是疆域。

地图，即对待完成工作的表征，是我的提示词、技能和上下文。

这是我给Claude的东西。

疆域是工作真正需要发生的地方。

代码库、现实世界、其真实的约束条件。

地图和疆域之间的差异，就是我所谓的未知。

当Claude遇到一个未知时，它需要基于对我想法的最佳猜测来做决策。

工作越多，Claude可能遇到的未知就越多。

Fable是第一个让我觉得，工作质量受制于我能多好地澄清其未知的模型。

塔里克这篇文章的另一个重点是，用他的话说，光提前规划是不够的。

相反，他说，用Fable工作是一个迭代的过程，在实施前、实施中、实施后不断发现自己的未知。

那么有哪些例子呢？

塔里克说，他开始用Fable时，会把它拆成四个方面。

这四个类别是：已知的已知，基本上就是提示词里的内容，也就是说，我告诉代理我想要什么？

已知的未知，是他还没搞清楚，但意识到自己没搞清楚的。

未知的已知，是那些太明显、他永远不会写下来，但看到就会认出来的东西。

而未知的未知，是他完全没考虑到的。

塔里克认为，减少和规划未知是代理编程的技能，并且建议有办法可以改进这一点。

关键在于帮助Claude来帮助你。

塔里克写道，指导Claude需要一种微妙的平衡。

如果你太具体，Claude会遵循你的指示，即使转向可能更合适。

如果你太模糊，Claude往往会根据行业最佳实践做出选择和假设，可能不适合你的任务。

重要的是，当你不考虑自己的未知时，你会两头都失败。

你不知道路什么时候会充满障碍，也不知道路什么时候会畅通，但你仍然希望Claude能转向。

Claude可以帮助你更快地发现自己的未知。

他说，最重要的是给Claude关于你起点的背景信息。

比如，告诉它你在思考过程的哪个阶段，分享你对这个问题的经验，让它像思考伙伴一样和你合作。

几个具体的想法包括盲点检查之类的。

他举的一个例子是：我不知道什么是调色，但我需要给这个视频调色。

你能教我说，让我理解自己对调色的未知的未知，这样我就能更好地提问吗？

另一个建议是头脑风暴和原型设计。

塔里克写道，当我在一个有很多未知的已知的领域工作时，涉及一些我只有看到才能定义的标准，我喜欢让Claude和我一起头脑风暴和做原型。

他继续说，在原型阶段早期识别和表达未知的已知非常有价值，因为在实施阶段才发现它们，成本相对较高。

功能或规格上的小改动，可能导致代码实现上的大幅差异，而且让代理回滚之前的改动可能更困难。

我觉得这可能是你们很多人已经在直觉上做的事情。

他给的一个示例提示是：我想要一个数据仪表盘，但我不懂视觉审美，也不知道能做什么。

给我做一个HTML页面，包含四种完全不同的设计方向，让我来反馈。

塔里克还给了很多其他处理未知的想法，很多最终归结为一个元过程，就是邀请Fable作为过程的共同创造者，来充分利用它的能力。

丹尼尔·迈斯纳认为，即使超越像Fable-5这样的单一模型，每当有新的一流模型发布时，有一组提示词可以重跑，帮助你重新调整经验，充分利用那个新模型。

他称这些为战术性元提示词，每次智能水平有显著提升时都值得重新运行一遍。

第一类是关于框架优化的，全都和改善你的AI框架有关，也就是围绕模型的那套资源和信息，目的是从最新版本中榨取最大价值。

他举的一个例子是自我模型审计。

读一遍我的框架所相信的关于我的一切——身份、目标、声音和偏好——然后找出它在哪些地方建模的是一个过时、理想化或完全错误的我。

把我的文件里说的我是什么样，和我最近的言行及工作实际展现出来的我做个对比。

标出系统在为“过去的我”优化而非“现在的我”的每一处地方，并提出具体的修改建议来弥合这个差距。

现在，从某种程度上说，这其实就是上下文清理。

而Daniel真正在做的是，利用新模型发布这个时机来进行这种上下文清理，确保你围绕模型放置的所有信息，比如你的agents.md文件，确实反映你带给新模型的那个人和那些项目。

Daniel也喜欢通过搞大动作来测试新模型。

他有一整类提示词，他称之为整体生活和工作优化。

也就是说，大规模范围的提示词，基本上帮你理清优先级、项目，并制定一个计划来最大化接下来的关键几年。

其中一个他称为“大图景”的提示词是这样：看看我在网上写的各种项目、我们在The Harness里做的所有活动，以及你通过网络搜索了解到的关于我的一切，然后深入分析。

然后看看我的领域、AI领域、社会以及整体未来正在发生什么，告诉我什么能帮我实现日本概念中的“ikigai”。

我应该做什么工作，既能让我有成就感，又能赚钱——是自己单干、和合作者一起，还是为公司打工？

如果你有具体建议就给我具体的，在生成输出之前也可以随便采访我以获取更多背景信息。

现在，我不认为这一定是所有人的菜，但我确实觉得这类提示词是个很好的方式，哪怕只是为了感受一下模型的“氛围温度”，看看它怎么应对这类问题。

Daniel的另一个建议，也开始越来越多地出现，就是再次以循环的思维来考虑问题。

Matt Schumer其实也把这个包括在了他的Fable 5技巧里，他给的建议叫做“循环到达标为止”，特别适用于创意任务。

对于这个，你得回到Matt之前的建议，给Fable一个真正的完成标准。

Matt写道：如果你告诉Fable做出高质量的东西，它会在它自己认为“够好”的地方停下来，而这通常比你的标准低。

所以我不用形容词。

我给它一个它能自己对照检查的标准，而且我把这个标准设得很高。

有时候我自己写测试，比如像“陌生人看不出我们的渲染图和真实照片的区别”这种具体的东西。

其他时候我甚至不知道怎么衡量我想要的东西，所以我也把这个难题交给Fable。

Matt接着说，一旦有了标准，我就让Fable对着它循环，然后放手让它跑。

它构建、自查、找出最大的差距、弥合它，然后再来一轮。

Matt说他经常用/loop命令来做这个，特别是在创意工作上，因为总有具体的东西可以持续对照衡量，直到真正达到目标。

重要的是，Matt写道，循环的全部意义在于Fable永远不能自己决定它完成了。

总是还有下一个差距。

它在我说完成的时候停下，或者当它真的找不到任何需要修的东西时停下——而如果你设置得当，这种情况很少见。

以后我们肯定会专门做一期节目来聊这些循环策略，但今天我想先分享一些来自 Claude Devs 最近一篇文章的笔记，讲的是怎么开始用循环。他们把循环拆成几类，我觉得这些分类对理解核心概念挺有帮助的。

第一种是基于回合的循环。

这种循环由用户提示触发，当 Claude 判断任务已完成或需要更多信息时就会停止。

这种循环最适合那种比较短的任务，不是那种常规流程或固定计划的。

他们写道，你发的每一条提示都会启动一个手动循环，由你来指挥每一回合。

Claude 会收集上下文、采取行动、检查自己的工作、需要的话重复这些，然后给出回应。

比如说，他们提到，让 Claude 创建一个点赞按钮。

它会读你的代码，做修改，跑测试，然后交回一个它认为能用的结果。

然后你手动检查结果，再写下一个提示。

你可以改进验证步骤，方法就是把你的手动检查步骤写进一个 skill.md 文件，这样 Claude 就能更完整地自己检查更多工作了。

对比一下基于目标的循环，这种循环由手动提示实时触发，停止条件是目标达成或者达到最大回合数。

他们写道，这种循环最适合有可验证退出标准的任务，而且当单回合不够用时特别有用。

他们还说，当智能体能够反复迭代时，表现会更好。

而且当你明确了成功标准，Claude 就不用自己决定什么算足够好了，也不会提前结束循环。

每次 Claude 想停下来，评估模型就会检查你的条件，然后让它继续工作，直到目标达成或达到你设定的回合数。

基于时间的循环是由特定的时间间隔触发的，当用户取消它或工作完成时可以停止，这种循环很适合处理重复性任务。

而主动式循环，则是通过事件或日程安排触发的，不需要有人实时在场去启动它们。

停止条件同样是某个特定目标达成，整个例程会自动运行，直到你把它关掉。

接下来几个月我们会探索很多内容，核心就是把这种基于循环的交互方式，从编码领域扩展到更有创意和知识型的工作中。

虽然我们在循环这个话题上没深入太多，但在这期节目结尾提到它，是因为所有这些建议的大主题和核心要点有两层。

最简单的层面，它们都在提醒我们，每当拿到一个新模型，尤其是当这些新模型代表智能水平巨大飞跃时，我们都需要花时间、有时是费劲地逐项测试，找出我们过去提示和交互老模型的方式，哪些不再能充分发挥新模型的潜力，甚至可能对它有害。

但第二点，从长远来看可能更重要，就是我们需要找出真正能解锁这种智能飞跃所带来的差异化能力的新技巧。

很多时候，这些不只是提示技巧，而是全新的交互模式，就像这些循环代表的那样。

如果要从所有这些内容里提炼一个核心要点，那就是要提升自己的雄心，几乎要假设最新模型没有局限，这样通过尝试你能想到的最大、最具挑战性的事情，你才能真正发现那些限制，一旦它们无可避免地暴露出来。

这项工作第一层永远是个体层面的，但我觉得对组织来说也有类似的道理。

尤其是在商业或工作环境中，很容易默认用 AI 来做那些我们已经在用 AI 做的事情。

那些我们已经找到价值的地方，我们已经在做的工作，然后只是把 AI 看作一种更快、更便宜或稍微好一点的方式，但归根结底还是做同样的工作。

真正的解锁，当然是与工作建立一种新关系，甚至开启以前不可能的新类别的工作。

弄清楚怎么做没那么简单，但同时也非常令人兴奋。

希望今天你听到的这些小技巧，能为你提供工具，让你跨越整个工作光谱去运用它们。

希望再过五分钟，等我们迎来下一次模型飞跃时，这些内容还能派上用场。

今天的人工智能日报就到这里了。

一如既往，感谢您的收听或收看。

下次再见，Peace。