当AI编码代理从“玩具”走向“工具”，开发者面临的核心矛盾日益凸显：如何在不牺牲质量的前提下，最大化token效率？Simon Willison在AI Engineering（AIE）上与Claude Code团队交流后，分享了一个反直觉的答案——放弃对AI行为的事无巨细式控制，转而相信它的“判断力”。这一理念不仅影响了Fable（Claude Code生态中的高效代理系统）的用户，更揭示了AI工程化中一个深层的设计哲学转向。

原始策略中，开发者倾向于为Fable编写精确规则，比如“每三行代码必须补一个测试”或“只许用Claude Opus模型”。但Willison指出，这种做法本质上是将人脑的有限理性施加于AI的无限可能性。Claude Code团队的建议是：将决策权交还给模型本身。例如，与其规定“何时写测试”，不如直接告诉Fable“根据当前上下文和风险自行判断测试的最优时机”。这种“意图驱动”的范式，让模型利用其底层推理能力（特别是Opus的强判断力）进行动态资源分配，而非被动执行死板指令。

更具体的优化来自Jesse Vincent的委托模型技巧。面对即将到来的Fable（以及Claude Opus）价格上调，Vincent提出：在主循环中，让Fable保留判断、审计和数据合成等核心任务，而将“实质性实现”委派给Sonnet（中等成本模型），“机械修改”则交给Haiku（最低成本模型）。Willison将此提示注入Claude Code的记忆文件后，实测Fable的token消耗速度显著下降，同时输出质量未受可见影响。这本质上是一种“联邦式”架构——主模型担任项目经理，子模型作为廉价工人，通过自然语言指令完成分层协作。

这一技巧的普适性值得注意。它并非仅仅针对Fable或Claude Code，而是为所有基于大语言模型的智能体系统提供了一种可复用的优化范式：将控制权上移，将计算成本下移。传统微调或硬编码试图预判所有分支，但大模型的泛化能力恰恰意味着它们能比人类更好地处理模糊场景。因此，提示工程的重点应从“写死规则”转向“写好意图边界”——定义好大目标、风险阈值和可用资源，然后让模型自主规划路径。

站在行业视角，这一变化反映了AI工程化从“专家系统思维”（精确规则）向“人机协同思维”（意图+自主判断）的进化。对于正在搭建编码代理的开发者，建议立即实践以下三点：1）在代理的初始提示中明确“请自行评估何时需要测试，而不要在每个步骤都强制测试”；2）为代理配置一个预算模型调用策略，例如“主模型只做决策，实现和修改转给低成本子模型”；3）利用类似Claude Code的记忆功能，将这类提示固化到代理的系统提示中，实现持久化优化。在Fable涨价窗口期，每一分token都应花在刀刃上，而让AI自己决定“刀刃在哪”，或许是最聪明的节省方法。