当多数开发者还在为AI编码代理编写冗长规则链时，一条来自Claude Code团队的反直觉策略正在改变游戏规则——放弃对智能体的微观管理，把判断权交给模型本身。Simon Willison在AIE大会上的分享，揭示了这一简洁却高效的实践。

核心问题在于，人类对编码代理的过度指令往往适得其反。传统做法要求明确告诉Fable“在新增函数时→先写测试→使用Sonnet模型→测试通过后提交”，这类硬性规则看似能控制质量，实则不仅消耗大量token来解析和遵循指令，还限制了模型根据上下文进行最优决策的能力。Willison从Claude Code团队获得的建议是：用一句“请根据任务复杂度自行决定何时编写测试、选用哪个模型”替代全部细则。这如同让一个经验丰富的工程师自行调度，而非按固定工作流运行。

更高效的搭配来自Jesse Vincent的委托策略：将Fable为主干，但明确告知它将机械性修改（如重命名变量、格式化代码）委托给Haiku，把实质性实现交给Sonnet，而主循环保留判断、审计和数据合成等需要深度推理的任务。这种“分层智能”机制与软件工程中的关注点分离原则高度一致——让专家模型做专家事，廉价模型做流水线事。Willison已将这段提示词写入Claude Code的记忆文件，实测token消耗速度下降至原来的40%~60%。

这一技巧之所以立竿见影，源于大模型内在的语用推理能力。当指令从“必须做什么”变为“应该怎么做”，模型反而能主动利用上下文中的隐含信息：比如它观察到当前文件已有测试套件，自然会先写用例；若目标模型是Opus而任务过于简单，它也会自动判断是否值得调用。这种“判断力优先”策略本质上是对模型内禀“理性”的正向利用，而非对抗。

对于持续关注AI工程实践的团队，这一发现尤具价值——它揭示了未来Agent设计的重要转向：从“规则驱动”向“能力释放”进化。随着Fable及同类模型即将迎来价格上调，节省token已不单是效率追求，更是成本管控的刚需。建议开发者在构建智能体系统时，优先尝试“一句话原则”：告诉智能体目标、资源和限制，然后信任其判断。先测试小样本，再逐步将这种松耦合模式扩展到整个编码流水线。

Willison的实践还隐含一个更深层洞察：当Agent具备足够的上下文理解能力后，人类的角色应从指令编写者转向审计者。与其纠结于“这条规则够不够细”，不如思考“我是否给了它足够好的判断依据”。在AI能力快速迭代的当下，这或许是性价比最高的升级方向。