AI 编码智能体的成本压力正成为开发者绕不开的现实难题。Fable 的涨价消息迫使效率提升从“可选项”变为“必选项”。在此背景下，Simon Willison 与 Claude Code 团队交流后获得的实战技巧引发广泛关注——让 AI 自主判断，而非机械遵循预设规则，也许是解锁效率的关键密码。

传统做法中，开发者习惯为 Fable 或 Opus 编写详细的行为规范，例如“必须在此步骤编写测试用例”。但 Willison 发现，这种硬性约束反而限制了智能体的自适应能力。直接让 Fable 自行决定何时编写测试、何时选择模型，往往能得到更优结果。背后逻辑不难理解：AI 能够根据上下文语境动态评估任务复杂度，远比预设规则灵活高效。

在具体实践中，Jesse Vincent 设计的委托策略更具可操作性——核心主循环留给判断、审计与数据合成等高阶任务，而将实质性实现、机械修改等“体力活”分别委派给 Sonnet 和 Haiku 等更低功耗模型。这种“高低配”模式在保持输出质量的同时，大幅压缩了主模型的 token 消耗。Willison 已将该提示词固化到 Claude Code 记忆文件中，实测效果显著，代币消耗速度明显放缓。

从行业趋势看，这一实践折射出 AI 编码智能体正从“指令驱动”迈向“目标驱动”的关键转变。顶尖开发者的共识正在形成：与其试图穷尽所有边界情况，不如教会 AI 分配资源与自主判断。这不仅是应对涨价的权宜之计，更是构建可持续 AI 工作流的底层思维。

对于正在使用智能体编码的团队，启示已足够清晰：立刻审查当前约束规则，删除不必要的硬性指令，转而聚焦于目标、边界与审核机制。在 Fable 正式调价之前，那些愿意让 AI “做自己”的开发者，将优先享受到效率与成本的双重红利。