在AI代理（agent）的落地实践中，一个常见的陷阱是开发者试图用规则“锁死”模型的行为：规定它何时写测试、用哪个底层模型、输出格式必须如何。但Simon Willison在AIE上与Claude Code团队交流后，得到了一个反直觉的结论——让代理用自己的判断力工作，反而更高效。

Willison分享了一个具体场景：当开发AI编码代理“Fable”（以及Claude Opus）时，团队发现，与其给出一套“在每次修改后都必须运行测试”的硬性指令，不如直接告诉Fable“自行决定何时写测试”。这一调整看似简单，却让代理不再被冗余规则拖累，能够根据上下文灵活调整优先级。例如，当任务需要快速原型验证时，Fable会主动跳过测试编写，将token用于关键逻辑；而在代码合并前，它又会自动补全测试。

更值得关注的是Jesse Vince提出的委托策略，以应对即将到来的价格上涨和token消耗压力。他建议在提示词中明确：主循环（main loop）保留判断、审计和数据合成等高复杂度任务，而将较小任务委托给更低功耗的模型——Sonnet用于实质性实现，Haiku用于机械修改（如变量重命名、注释清理）。这种分层架构并非新鲜事，但关键在于“让主代理自己判断何时委托”，而非开发者预设一套静态规则。

Willison已将这套提示词写入Claude Code的记忆文件（memory file）中。他实测后的数据显示，Fable的token消耗速度“明显下降”，而输出质量并未折损。这恰恰点出了当前AI代理优化的核心矛盾：规则越僵化，代理越容易进入“高耗低效”的死循环。相比之下，赋予自主判断权能让代理像一名资深工程师一样，动态分配精力——这正是“判断力”的价值。

对于正在部署AI代理的开发团队，这一经验提供了两条实用建议：第一，减少提示词中的“必须”“禁止”条款，改用“建议”“你可以”等柔性引导；第二，为代理建立“分层工具集”，但让主代理自己决定何时调用低功耗模型，而非硬编码路由。随着Fable等代理服务即将涨价，这类“信任代理判断力”的方法，或许比微调模型本身更立竿见影。