标题：规则退场，判断力登场：Fable代币消耗降低3倍的新提示策略

摘要：为应对Fable价格即将上涨，Simon Willison从Claude Code团队引入“信任判断力”策略——让AI自主选择编程测试方式和模型层级，而非硬性规则。实测代币消耗显著下降，为涨价前的备战提供了实战技巧。

当AI编程助手开始需要为每个token精打细算，问题的核心便从“如何写出完美规则”转向了“如何在规则中植入信任”。Simon Willison在AIE上的分享，揭示了一个反直觉的真相：在编码智能体领域，给AI越多自由，反而越能控制成本。

Simon从Claude Code团队获得的策略，本质上是一次对人机协作范式的重新定义。核心逻辑是：让模型（无论是Fable还是Opus）依据自身的判断力来调度行为，而非由开发者预置一套操作手册。具体到实践，这意味着不必告诉Fable“你是否应该先写测试”“你该用哪个模型完成任务”，而是授权它自主决策。比如，让Fable自行判断何时需要编写单元测试，比在提示词中规定“每实现一个新功能模块，必须同步编写三组测试用例”效率更高。因为后者可能触发不必要的测试生成，消耗大量token；而前者则依赖于模型对任务复杂度和风险的理解，往往能找到更经济的执行路径。

更深层的技巧来自Jesse Vincent的分层委派策略，它也构成这套“判断力”系统的关键支撑。针对Fable主循环，Vincent引入模型层级复用：将实质性实现任务（如代码编写）交给Sonnet；将纯粹的机械性修改（如重构变量名、调整接口）委派给更廉价的Haiku；而Opus（Fable的核心）则保留在判断、审计、数据合成等需要深度推理和全局把控的任务上。Willison已将这套提示词写入Claude Code的记忆文件。实测效果显示，token消耗明显下降，而输出质量未受影响。

这一策略的行业价值在于，它揭示了当前智能体架构中的一个关键瓶颈：规则驱动的系统往往在抽象层面过度消耗资源。人类倾向于为复杂系统编写详尽的规则，认为这样可以避免意外；但在大模型主导的环境中，这些规则反而形成了额外的“思考负担”，让模型在反复确认指令意图的过程中浪费大量token。让模型“用自己的判断力工作”本质上是将规则简化为一句核心指令：用最便宜的模型完成你能力范围内的工作，只有在必要时才调用更昂贵的资源。

对于正在使用Fable或类似AI编程助手的团队，这一策略值得立即采纳。具体操作上，先在项目提示词中明确划分任务类型，然后构建一个简短的系统指令段，告诉模型“对于不同类型的请求，选择最合适的模型层级”；最后，在记忆文件中固化这一分层逻辑。实测证明，当AI获得了对自己工作方式的判断自由，它往往比人类设定的规则更懂得如何节省token。

这不是对AI能力的“放纵”，而是对“最小智能”原则的回归——让最聪明的模型去决策，让最便宜的模型去执行。随着AI服务进入涨价周期，这种信任判断力的范式，或许将成为开发者保持效率与成本平衡的必修课。