标题：别硬性规定，让智能体自主决策才是最高效策略

摘要：Simon Willison从Claude Code团队获得的核心技巧：放弃对智能体行为的硬编码规则，让Fable等模型自主判断何时编写测试、选用哪个模型。通过将较小任务委托给低功耗模型，主循环保留判断和审计任务，可显著降低token消耗，成为应对Fable涨价的偷时间利器。

当多数开发者仍在试图用规则框定AI智能体行为时，一次来自Claude Code团队的行动中反馈揭示了截然不同的思路。Simon Willison在其博客中分享的实战技巧，颠覆了传统的人机协作范式：与其硬性规定Fable如何编写测试、采用哪个模型，不如相信它自己的判断力——这一策略带来的效率提升，远超预期。

具体而言，Willison在AIE上与Claude Code团队交流后得出建议：直接让Fable（以及Opus）自行决定何时编写测试，比给出具体规则更好。这种做法背后隐含的认知是，当前最先进的大语言模型具备足够的情景理解能力和任务规划能力，过度约束反而会抑制它们的最优策略选择。这与传统软件开发中“明确分工、严格规范”的工程理念构成鲜明对比，也折射出AI智能体开发从“工具控制”向“协作决策”转变的趋势。

面对Fable即将到来的价格上调，这项技巧的实战价值更加凸显。Jesse Vincent提供的另一条经验同样值得关注：明确告知Fable将较小任务委托给较低功耗模型处理。具体的模型分层策略包括：Sonnet负责实质性实现，Haiku执行机械性修改，而主循环则保留判断、审计和数据合成等核心任务。这种“分级计算”策略借鉴了混合专家系统的思想，让不同规格的模型各司其职，而非由一台模型包揽全部工作。

实际效果验证了上述理论的可行性。Willison已将这些提示词写入Claude Code记忆文件，实测结果令人满意——Fable token消耗速度明显下降，使用成本在涨价前实现有效控制。这一案例并非孤立现象，它反映出当前AI智能体开发中的一个关键认知更新：智能体的自主性不是管控风险，而是效率放大器。当开发者从“命令式控制”转向“目标导向授权”，模型在任务分解和执行优化上的优势会自然释放出来。

对于正在使用Fable或其他AI编码助手的开发者，这一策略具备即时可操作性。建议在配置智能体行为时，减少对其步骤的强制性约束，转而明确交付目标。与此同时，建立模型分层的清晰指令，将简单机械操作分配给Haiku等级别较低的模型，保持核心模型的任务聚焦度。值得强调的是，审计环节仍需保留在较强模型中，防止因模型降级导致的错误积累，这是策略落地的关键保障。