Fable 5 自我改進 agent 4 層框架：14 步完整教學

Claude Fable 5 是 Anthropic 2026 年 6 月 9 日發表的 Mythos-class 旗艦模型，設計初衷是「多日自主運行的協調者」而非「更快的 chat 工具」。@0xCodez 在 X 上以 3.8 M 觀看的實作框架指出，多數用戶把 Fable 5 用成了「昂貴 5 倍的 Sonnet」—真正解鎖 Fable 5 品質的方法是建立一套「4 層 compound stack」讓系統本身持續累積能力，而非只讓模型單次回答問題。本文以 @0xCodez 6 月 11 日發表的十四步框架為基礎、對照 Anthropic 官方 @ClaudeDevs 兩大成本模式與鏈新聞 Fable 5 完整教學 pillar、整理出可直接落地的實作路徑。

核心觀念：self-improvement 是系統屬性、不是模型屬性

整份框架的中心口號是：「self-improvement is a property of the system, not the model — build the system.」意思是，Fable 5 的模型權重是固定的、不會在使用過程中改變；真正讓工作流「越用越強」的是外部系統—STATE 檔、Skills、eval loops—會隨時間累積可重用的規則與經驗。這也是「self-improvement ≠ self-learning」的關鍵區別：模型不在學、系統在學。

反之，若把 Fable 5 當「5 分鐘問答 + 關掉視窗」的模式使用，等於用 5 倍價格買 Sonnet 5 的體驗—這是 @0xCodez 列出的 8 大反模式之首。想清楚「自己是在建 chat 還是建系統」，是決定成本 / 效益比的分水嶺。

廣告 - 內文未完請往下捲動

4 層 compound stack：從 primitives 到 self-improvement 的堆疊順序

整個系統設計分四層，由下而上堆疊：

順序不能顛倒。沒有 primitives 就沒有 orchestration；沒有 memory 就沒有 self-improvement。每一層都是下一層的基礎、每一層都會放大或縮小整體系統的複利效果。

模型分工：Fable 5 orchestrator + Sonnet workers + Haiku graders

要壓成本、又要拿到 Fable 5 品質，關鍵是「不同任務走不同模型費率」。@0xCodez 給的分工建議與 Anthropic 官方 @ClaudeDevs 幾天前發布的 Advisor / Orchestrator 兩模式方向一致：

典型 production 模式：Fable orchestrator 協調 Sonnet workers 與 Haiku graders，Opus 作為 fallback—把 Mythos 級定價僅保留給 orchestration 層本身。

Orchestration 層：/goal、Outcomes、Dynamic Workflows、Routines 差異

Fable 5 的 orchestration 能力來自四個原語。/goal（Claude Code v2.1.139+）是本地終端機的多步驟目標指令、以純文字描述完成條件、預設用 Haiku 當 grader、適合 flaky tests、單檔重構等分鐘到小時級的工作。範例：

/goal all tests in test/auth pass and the lint step is clean

Outcomes（Claude Managed Agents 雲端版）則走小時到天的長度，用檔案 rubric 定義可打分準則、sub-agent 當 grader、適合 ML 訓練、長期遷移、Parameter Golf 級的實驗。Dynamic Workflows（5 月 28 日上線）允許自訂 JavaScript harness 呼叫 agent()、parallel()、pipeline()、三大模式是 fan-out-and-synthesize、adversarial verification、loop-until-done。Routines（4 月 14 日預覽）走排程觸發、可透過 schedule、API、GitHub triggers 排定「筆電關機也持續累積」的 daily runs：

/schedule daily at 7am, use Fable 5 in CMA
Goal: Re-run eval suite, distill newly passing tests into skills.
Post digest to #engineering. /goal continue until done.

Verifier sub-agent 打敗 self-critique：Parameter Golf 實驗 6× 差距

Self-improvement 層最關鍵的一句話是：「a verifier sub-agent tends to outperform self-critique with Fable 5」。核心邏輯是驗證者只看「產出物與 rubric」、看不到 maker 的推理過程，因此不會被 maker 「相信自己 reasoning 沒問題」的認知偏誤污染。

Anthropic 的 Parameter Golf 實驗給出的具體數字是：Fable 5 + 獨立 verifier 的 pipeline 改進速度比 Opus 4.7 + self-critique 快 6 倍（8×H100、每次 8 小時）。這個 6× 差距並非 Fable 5 本體變強，而是「驗證者角色分離」帶來的系統性優勢。實作上，maker 在 worktree A、verifier 以 read-only 模式在 worktree B、兩者不共享 context 空間、只透過產出物溝通。

STATE.md 5 階段記憶：Fable 5 驗證覆蓋率 73% vs Opus 4.7 17%

Memory 層的骨幹是 STATE.md—每個 session 結束前寫、下個 session 開始前讀。5 個記憶階段：

STATE.md 建議結構：

## Verified facts      # 階段 3
## General rules       # 階段 4
## Open failures       # 階段 1-2
## Lessons learned     # 階段 4 distillations
## Last session        # 階段 5 resume pointer

操作規則：每個 session 結束前寫入 STATE、下個 session 開始前讀入。少了這步、Fable 5 記憶會退化到 Sonnet 級表現、把 73% vs 17% 的優勢完全抹平。Skills 檔則放在 ~/.claude/skills/、承載跨專案的程序性記憶。

Vision verify + 安全邊界：UI 工作與分類器 fallback

對 UI 工作，@0xCodez 的建議 loop 是：maker 產生 screenshot → verifier（vision）比對 goal、design tokens 與 STATE.md 中的前一輪 screenshot → 不一致就 loop。純文字 grader 抓不到真正的 UI 失敗、視覺驗證是必要環節。

Fable 5 有三類自動拒答領域：資安漏洞研究、生物化學、模型 distillation。觸發時系統會自動 fallback 到 Opus 4.8。Skill 設計時最好把「哪些領域會觸發 Fable 5 分類器」明確浮現、避免 pipeline 卡在拒答節點浪費時間。這也是為什麼「4 層 stack」中 Opus 4.8 一定要在 model routing 表裡當備位。

8 個常見反模式：多數用戶正在踩的坑

@0xCodez 直接點名 8 個反模式：

成本備忘：定價、快取折扣與 Fable 5 促銷週期

基本定價與成本結構：Fable 5 每百萬 token input $10、output $50（Opus 4.8 的 5 倍）；prompt cache 對 input 有 90% 折扣（重複讀取的內容大幅便宜）；Fable 5 目前促銷週期到 2026 年 7 月 12 日截止、之後回到訂閱體系與 credit 定價。上述 4 層 stack 的成本優勢在促銷期結束後會更顯著、因為每個 Fable 5 token 都變得更昂貴、正確的分工價值就更被放大。

對照 OpenAI Codex：Symphony 開源編排規格提供 orchestrator + workers 概念、與這裡的 4 層 stack 有同源精神；差別在 Symphony 是「跨 Codex agent 之間的板子級協調」、@0xCodez 框架則是「單 Fable 5 + 多 Claude 模型分工」的應用內落地。兩者互補、不衝突。Andrew Ng 的 3 層 Loop Engineering 框架則是更抽象的「開發者 / agent / 外部回饋」三層拆解，可作為理解上層設計思路的入門。

本文將隨官方更新與社群實作經驗持續擴增。如有錯漏歡迎指正。

AgentAnthropicFable 5Loop Engineering

衍伸閱讀

• 你追的加密網紅正在集體轉戰 AI：拆解 3 種遷徙模式
• Andrew Ng 提 3 層 Loop Engineering 框架