标题：让AI自主决策：Simon Willison从Claude Code团队获得的效率升级实战指南

摘要：AI智能体开发者正面临硬性规则与灵活判断的两难选择。Simon Willison从Claude Code团队得到的核心启示：放弃对Fable编写测试、模型选型等行为的硬性规定，转而赋能自主判断。结合模型层级分解策略，该方案在Fable涨价前实现了20%以上的token消耗节省。

当AI智能体处于复杂开发场景时，赋予其自主判断能力往往比制定详尽规则更高效——这是Simon Willison在与Claude Code团队交流后得出的核心论断。面对即将到来的价格调整压力，这位资深开发者选择用”授权”取代”管控”，并在实际项目中验证了这一策略的可操作性。

传统AI Agent开发常陷入一个误区：开发者试图为每一步操作编写精确指令，从测试编写时机到模型调用逻辑。Willison的实践表明，这种做法实际上限制了AI的潜力。以测试编写为例，与其告诉Fable”每完成一个功能函数就编写测试”，不如直接要求”根据上下文判断何时需要编写测试，并确保代码可靠性”。这种策略转变不仅减少了提示词复杂度，更重要的是让AI能够在不同场景下做出最适合的决策。

在token成本控制层面，John Vincent贡献了一个更具实战价值的技巧：任务分解与模型层级分配。具体而言，将Fable的主循环保留给需要综合判断的任务，如审计、数据合成和整体决策；而将具体实现和机械修改分别委托给Sonnet和Haiku。这种”判断-执行-细调”的三层架构，让每个模型在其最擅长的领域发挥作用，显著降低了Opus的使用频率。

从技术实现角度看，Willison将这套策略持久化为Claude Code的记忆文件。这意味着每次交互时，AI都能自动遵循这套工作流分配逻辑，无需在每一轮对话中重复指定。实测数据显示，token消耗速度出现明显下降——对于即将面临涨价压力的Fable用户而言，这无疑是一套实用的效率优化方案。

值得注意的是，这种策略转变折射出AI Agent开发理念的演进：从”编写规则”到”建立原则”，从”管控行为”到”培育判断”。在AI能力持续提升的背景下，开发者需要学会”放权”，将更多决策空间交给AI。这不仅能够提升执行效率，更重要的是能让AI在实际应用中展现出超乎预期的价值。

对于正在深度使用AI编码工具的开发者和团队，这条经验具有直接参考价值：检查你当前的prompt结构，是否存在过度限制AI判断能力的指令；引入任务层级化配置，让不同模型各司其职；将优化后的prompt持久化为AI记忆，确保工作流的一致性。在AI工具生态快速演化的当下，这种实战层面的迭代优化往往是提升效能的最佳路径。