Claude Fable 5 system prompt 解读与效果评估
最近 Fable 5 出来了，社区里有人只给 agent 换了一个 prompt，就可以提升处理任务的能力，遂来学习分析一下。
0. 结论先行
所谓 Claude Fable 5 的 system prompt，最值得关注的不是某句神奇指令，而是一套产品级 Agent 操作系统。它把模型在聊天、搜索、记忆、文件、MCP、Artifacts、安全、版权、长任务和用户偏好里的行为都写成了可执行规则。它能显著提升同一模型的任务完成体感，但提升的主要是编排能力、交付纪律和产品一致性，不是底层智力。
如果把“能力”拆开看，system prompt 对不同层的影响大致如下：
| 能力层 | prompt 的作用 | 模型本体的作用 | 预期提升 |
|---|---|---|---|
| 原始推理、数学、复杂代码理解 | 给任务边界、鼓励验证 | 决定上限 | 小到中 |
| 工具使用、搜索、读写文件、历史查询 | 决定何时调用、如何调用、何时停止 | 决定综合判断质量 | 中到大 |
| 长任务管理、agentic coding、产物交付 | 规定进度证据、验证、暂停条件、输出路径 | 决定能否持续解决难题 | 大 |
| 产品体验、语气、格式、记忆使用 | 直接塑造行为 | 决定自然度和鲁棒性 | 很大 |
| 安全和拒绝 | 定义边界和拒绝话术 | 配合外部分类器和模型内化规则 | 很大，但可能带来误拒 |
所以，“不换模型，换 prompt 能力就强很多”这句话有一半是真的。对纯智力题，它不可能把弱模型变成 Fable 5；对真实工作流，它可以把“聪明但随意的模型”变成“有工作规程的产品代理”。
1. 资料边界
本报告使用两类材料：
- Anthropic 官方材料：Claude Fable 5 / Mythos 5 发布页、模型概览、迁移指南、Prompting Claude Fable 5、prompting best practices、以及 2026-06-12 的访问暂停声明。
- 社区流传样本：GitHub 仓库
asgeirtj/system_prompts_leaks中名为claude-fable-5.md的 prompt 文件。该文件不是 Anthropic 官方发布的 system prompt，真实性不可确认，只能作为“社区流传样本”分析。
我没有把社区样本的全文原样归档到本仓库。原因是它疑似为专有产品 prompt 的泄露文本，全文转存会造成版权和来源合规风险。本仓库中保存的是 source manifest：来源链接、抓取时间、文件大小、哈希、结构索引和分析用途说明。见raw/Claude Fable 5 system prompt source manifest.md。
2. 官方能确认什么
截至 2026-06-23 检索到的官方信息里，Claude Fable 5 是 Anthropic 在 2026-06-09 发布的 Mythos-class 模型，定位为当时能力最强的广泛发布模型，主打复杂推理、长周期 agentic work、软件工程、知识工作、视觉和企业工作流。官方还说明，Fable 5 与 Mythos 5 是同一底层模型的不同可用形态，Fable 5 面向广泛可用场景并带有更强 safeguards，Mythos 5 面向受限的 Project Glasswing 访问。
官方文档里与 prompt 分析最相关的是这几类事实：
- Fable 5 支持 1M context window 和 128k max output，定位为长任务模型。
- Fable 5 的 adaptive thinking 是 always on；迁移时不能再按旧模型习惯手动控制 extended thinking budget。
- 它有
effort作为智能/延迟/成本控制，官方建议多数任务从high开始，最敏感任务再用xhigh。 - API 可能返回
stop_reason: "refusal"，尤其涉及 offensive cybersecurity、biology/life sciences、reasoning extraction 等类别时。 - 官方 prompting guide 特别强调：长任务的进度声明必须基于工具结果；足够信息时要行动；明确边界以避免无关重构；可大量使用 parallel subagents；要构造 memory system；长任务最好有 send-to-user 工具。
这说明 Fable 5 的“强”不是只来自 system prompt。它本体能力确实更强，官方也把它描述为比 Opus 4.8 更擅长长周期、自主、复杂、多线程任务。但官方同时给了很具体的 scaffolding 建议，说明模型越强，越需要重新设计 prompt、工具和 workflow。
3. 社区流传样本的整体形态
社区样本文件的本地抓取版本为：
- 行数：3825
- 词数：25544
- 字节数：187672
- SHA-256：
e9af7d784b2c6e6f5027c5cb6290076e8313c5bc88e50dc9dae56d8dfb87f1b2
它不是单段 prompt，而是一个分层协议。大体结构如下：
| 模块 | 功能 |
|---|---|
budget | 显式给出 token budget 或运行预算信号 |
claude_behavior | 产品身份、安全拒绝、语气、政治/伦理均衡、知识截止和搜索 |
memory_system | 记忆来源、记忆应用规则、敏感记忆边界、正反例 |
persistent_storage_for_artifacts | Artifacts 持久化存储 API 的使用规则 |
mcp_app_suggestions | 第三方 MCP Apps 的发现、建议、调用和 opt-in 规则 |
past_chats_tools | 何时搜索过去对话、如何构造查询、如何使用结果 |
preferences_info | 用户偏好什么时候适用，什么时候不能硬套 |
memory_user_edits_tool_guide | 用户要求记住/忘记时如何真正调用记忆编辑工具 |
computer_use | 技能读取、文件创建、工作目录、输出目录、Artifacts 判断、包管理 |
request_evaluation_checklist | 视觉输出、文件输出、MCP 工具之间的路由顺序 |
search_instructions | 搜索触发、搜索复杂度、来源优先级、版权和引用限制 |
| tool schemas | bash、file、search、image、map、weather、present_files 等工具定义 |
anthropic_api_in_artifacts | 在 Artifact 内调用 Anthropic API、MCP、web search、处理文件 |
| citation/network/filesystem config | 搜索引用、网络访问、文件系统读写边界、当前技能列表 |
这套结构的本质是：把 Claude.ai 这个产品的所有隐性行为都显式写进上下文。普通用户看到的是一个聊天模型，system prompt 里实际装的是产品规则、工具协议、合规策略、记忆策略和交付规范。
4. 为什么它看起来强
4.1 它把“会不会做”改成“默认会做”
裸模型经常停在解释层：用户要报告，它给大纲；用户要文件，它贴正文；用户要继续上次，它说看不到历史；用户要查当前信息，它凭训练记忆回答。
这份 prompt 会把这些场景路由到实际能力：
- 用户要当前事实，使用 search / web_fetch。
- 用户提到“上次”“我的项目”“我们决定的方案”，使用 conversation_search 或 recent_chats。
- 用户要文件，真正创建文件并放到输出目录。
- 用户要 PPT、Word、PDF、XLSX，先读对应 skill，再生成产物。
- 用户要图表、流程、交互解释，判断是否用 Visualizer 或 Artifact。
- 用户提到第三方服务，先看 MCP connector，而不是随便编一个流程。
这不是模型突然更聪明，而是默认行为从“回答”升级成“执行”。
4.2 它用工具结果约束进度汇报
官方 Fable 5 prompting 文档强调，长任务里每个进度声明都应能指向本轮工具结果。这是 agent 可靠性的核心。
如果没有这个约束，模型很容易产生“状态幻觉”：说已经跑了测试但实际没跑，说已经修复但只是计划，说文件已生成但路径不存在。社区样本和官方指南都在围绕同一个问题：长任务中，用户不是在评估模型的表达，而是在依赖它对现实状态的报告。
这条规则的价值极高。它能降低两类严重失败：
- 虚假完成：模型宣布 done，但没有验证。
- 虚假阻塞：模型过早停下，问一个其实不需要问的问题。
4.3 它把“什么时候停”写清楚了
强模型的常见失败不是不会做，而是过度做：无关重构、过度解释、创建没要求的文件、设计抽象、加兼容层、写防御性备份、把问题扩大成系统工程。
Fable 5 官方提示建议明确边界：用户只是提问或讨论时，交付物是评估，不要动手修；用户要求 bug fix 时，不要顺手重构；可逆且符合原始请求的动作应继续，不要用“你要我继续吗”来阻塞。
这对 coding agent 尤其关键。好的 agent 不只是多做，而是知道什么是不该做的范围蔓延。
4.4 它把记忆变成“自然使用”，而不是“展示使用”
社区样本里的 memory 规则非常细。核心不是“多用记忆”，而是“只在相关时使用记忆，并且不要暴露检索动作”。
它区分了几类情况：
- 用户直接问自己的事实，且 memory 中有答案：直接答事实，不铺垫。
- 用户请求个性化：可以使用相关记忆。
- 普通技术问题：不要突然提用户背景。
- 敏感记忆：除非用户主动提到，否则不要拿出来个性化。
- 历史对话细节：memory 不够时搜索 past chats，而不是假装知道。
这解决了 memory 产品的核心张力：不用记忆会失去连续性，乱用记忆会让人觉得 creepy。
4.5 它把用户偏好做成 relevance gate
很多个人化系统会犯一个错误：只要用户偏好里有“我喜欢 X”，以后所有回答都硬套 X。社区样本明确规定，背景偏好只有在当前任务直接相关时才应用；行为偏好只有在不牺牲安全、正确性和相关性时才应用。
这是一种很成熟的产品判断：用户偏好不是人格投喂材料，而是任务质量优化信号。
4.6 它把安全做成“边界 + 话术 + 不泄露检测机制”
安全模块不是简单的 blacklist。它会规定：
- 哪些类别必须拒绝。
- 哪些类别可以提供高层次、保护性、事实性信息。
- 拒绝时说原则，不说检测细节。
- 高风险上下文下少说比多说更安全。
- 不要为了帮用户而“重写问题使其看起来安全”。
这类设计对产品很重要，但也会带来误拒。官方 Fable 5 文档也提到，Fable 5 的 safeguards 会覆盖 offensive cybersecurity、biology/life sciences 和 reasoning extraction，良性任务也可能触发。
5. 模块级解读
5.1 产品身份与知识截止
这一层告诉模型：你是谁、有哪些产品、哪些产品事实可能变化、什么时候要查官方文档。
作用不是身份扮演，而是减少 self-knowledge hallucination。LLM 对自身产品、价格、功能、模型 ID 最容易过时，因为这些信息变化快，训练语料永远滞后。把产品信息放进 system prompt，并要求遇到新产品问题先查 docs，是产品级助手的必要设计。
可迁移原则：任何面向真实用户的 AI 产品，都应该把“我是谁、能做什么、不能做什么、当前配置是什么、哪些信息必须查源”写进 runtime context，而不是依赖模型记忆。
5.2 拒绝与安全
安全部分覆盖儿童安全、自伤、心理健康、饮食障碍、武器、毒品、恶意代码、法律金融建议、公共人物创作和政治/伦理争议等。
它的设计重点是稳定性：
- 不因用户换一个说法就改口。
- 不为了显得有帮助而给出边界附近的可操作细节。
- 不把拒绝写成冷冰冰的合规声明。
- 不告诉用户怎么绕过规则。
这会让 Claude 产品更可控，但也会影响高风险专业领域的可用性。对于开发者来说，关键不是照抄安全文本，而是按自己的产品风险定义“可帮助范围”和“拒绝话术”。
5.3 语气与格式
这一层控制输出体验。它要求自然、少过度格式化、简单问题短答、复杂问题才使用结构，不要总是追问，不要在拒绝时用项目符号。
这类指令非常有价值，因为它修正了 LLM 的默认坏习惯：每个回答都写成报告，每个答案都带免责声明，每个澄清都问三五个问题。
可迁移原则：语气 prompt 不应该只写“专业友好”，而要写清楚常见反模式。例如：不要过度列表，不要把用户已决定的事情重新辩论，不要用压缩符号牺牲可读性。
5.4 Memory system
记忆系统是社区样本里最复杂的产品逻辑之一。它既要让 Claude 像一个有上下文的长期协作者，又要避免把用户的历史暴露成“我正在调用你的资料”。
它包含三层规则：
- 应用规则：什么问题用记忆，什么问题不用。
- 边界规则：敏感、令人不适、可能鼓励不健康行为的记忆不能主动提。
- 表达规则：不要说“我看到”“根据我的记忆”“你的资料显示”。
这对任何 agent 产品都很重要。记忆不是越多越好，而是要有 relevance、safety、surprise 三个门槛：相关、不会伤害、用户不会觉得突兀。
5.5 Past chats tools
Past chats 与 memory 不同。Memory 是压缩后的长期画像，past chats 是可检索的原始对话片段。社区样本规定，当用户使用“我的项目”“上次那个方案”“我们讨论过的 bug”这类共享上下文语言时，模型应该搜索历史，而不是让用户重新解释。
这条规则体现了一个非常重要的产品洞察：不必要的搜索成本低，错过历史上下文的成本高。对长期协作型 AI，历史检索是 continuity 的基础设施。
5.6 User preferences
偏好系统的核心是防止过拟合。它明确区分行为偏好和上下文偏好，并要求只有在能实质提高当前回答质量时才使用背景信息。
对用户来说，这会减少“AI 过度记得我”的反感；对产品来说，这能让个性化不破坏任务本身。
5.7 MCP Apps 与工具建议
MCP 相关规则体现了一个平台型产品的约束：当用户要连接外部服务时，模型不能随便选择供应商，尤其是第三方消费类工具。它需要先搜索 connector、建议用户选择、等待 opt-in，只有用户点名或已有稳定偏好时才直接调用。
这说明 system prompt 不只是模型行为指令，还是商业生态规则：不能替用户选择商家，不能制造连接压力，不能用假 UI 模拟真实工具。
5.8 Computer use 与 Skills
这一块是“从聊天到交付”的关键。它规定文件在哪里、上传文件怎么读、新文件怎么写、输出目录怎么交付、何时创建 artifact、何时读 skill。
其中 skill 机制尤其重要。模型在生成 Word、PDF、PPT、XLSX、前端 UI 之前，先读对应 SKILL.md。这相当于把长期经验沉淀成外部操作手册，而不是塞进一个无限增长的主 prompt。
可迁移原则：system prompt 应该保持为总调度层，具体格式、仓库、领域、工具约束放进可按需加载的 skills。
5.9 文件创建与 Artifacts
社区样本明确区分：
- 聊天内回答：策略、总结、解释、简短代码。
- 文件产物：文章、报告、组件、脚本、PPT、长文、可复用参考。
- Artifact：可渲染、可交互、可复用的独立产物。
这解决一个高频失败：用户要“生成文件”，模型只贴正文。对产品来说，交付不是“内容存在于聊天里”，而是“用户能打开、保存、分享、继续编辑”。
5.10 Search、版权与引用
搜索模块的目标是降低时效性幻觉。它规定当前职位、价格、政策、产品状态、陌生新实体、近期新闻等必须搜索；稳定知识不搜索；复杂问题按复杂度扩大工具调用。
版权模块则规定不要复现长段原文，不要把搜索结果重写成替代原文的摘要，不要引用歌词、诗歌等完整作品。
这两者结合，构成了 web-enabled LLM 的底层纪律：该查时查，查到后用自己的话说，并给出来源。
5.11 Anthropic API in Artifacts
这一模块允许 Artifact 内部调用 Anthropic API、MCP 和 web search，等于支持“AI-powered artifacts”。它还规定了结构化输出、文件输入、MCP result parsing、错误处理、UI 限制等。
这说明 Claude.ai 的 Artifacts 不只是静态 HTML，而是逐渐变成可运行的小型应用平台。system prompt 需要教模型如何在这个平台里正确写应用，而不是只会写网页片段。
6. Prompt 的真实增益来源
可以把增益拆成五类：
6.1 路由增益
模型知道某类请求该走哪个能力路径。比如“总结网页”走 web_fetch，“继续上次方案”走 past chats，“做 PPT”走 pptx skill，“画流程”走 Visualizer。
这是最明显的提升，尤其在工具丰富的产品环境里。
6.2 证据增益
模型不再凭语言自信输出状态，而是把文件、测试、搜索、工具结果作为事实来源。这个增益对 coding agent、研究 agent、数据分析 agent 都很大。
6.3 范围控制增益
强模型容易过度工程。好的 system prompt 会定义 stop condition：何时行动、何时停、何时问、何时不要擅自扩大范围。
6.4 连续性增益
Memory 和 past chats 让用户不用反复重建上下文。长期协作中，这会带来接近“换了一个更懂我的模型”的体感。
6.5 表达增益
少一点模板味、少一点免责声明、少一点无意义列表，最终体验会显著提升。很多时候用户感受到的“聪明”来自表达选择，而不是底层推理差异。
7. Prompt 不能带来的东西
这份 system prompt 再强，也不能替代模型本体能力。
它不能让模型掌握训练中没有、也没有搜索到的信息；不能凭空提升复杂数学证明能力；不能保证弱模型在大型代码库里维持长程一致性；不能在没有工具权限时真的读文件、跑测试、查历史；不能避免所有安全 false positive。
如果把它照搬到一个没有 Claude.ai 工具环境的模型里，很多规则会变成空指令。更严重的是，它会制造工具幻觉：模型以为自己能调用 MCP、Artifacts、past chats 或 memory_user_edits，但宿主环境根本没有这些能力。
8. 如果要复用，应该复用什么
不要照抄 180KB prompt。应该提炼成四层：
- Root operating contract：身份、目标、证据纪律、暂停条件、交付标准。
- Tool router：当前环境有哪些工具，各类任务如何路由。
- Domain skills：文档、代码、数据、前端、研究等专业手册按需加载。
- Memory and verifier loop：长期经验沉淀、历史检索、独立验证。
一个更适合自己产品/agent 的短版 system contract 可以是：
你是一个交付型研究与工程代理。先判断用户是在提问、讨论、请求修改、请求产物、请求搜索、请求历史上下文，还是请求运行代码。 当信息足够时直接行动，不要重复分析已经确定的事实。只有在破坏性操作、真实范围变化、或缺少只有用户能提供的信息时暂停询问。 所有进度和完成声明必须能对应本轮工具结果。没有验证就说未验证；测试失败就给失败输出；跳过步骤就明确说明。 用户请求文件或可复用产物时，必须创建实际文件。用户请求当前事实、价格、政策、职位、版本或陌生实体时，必须先查源。 不要做任务外的重构、抽象、功能扩展、兼容层或清理。优先完成用户原始目标。 最终回复先给结果，再给关键证据、文件位置、验证情况和剩余风险。如果用于 coding agent，再加：
修改代码前先读相关文件和现有测试。优先遵循仓库既有模式。实现后运行最小充分验证。不要回滚用户已有改动。遇到无关脏工作区时只改自己的文件。如果用于研究 agent，再加：
区分官方来源、二手报道、社区样本和推断。对当前信息优先查官方/一手来源。结论必须标注可信度和适用边界。这些短规则通常能拿到 70% 以上的行为收益，且不会浪费巨大上下文。
9. 建议的 A/B 评估方法
如果想直观看到“同模型换 prompt”的效果，可以做一个小评测。
9.1 实验组
- A 组：裸 system prompt，只写身份和安全基本要求。
- B 组：加入 Fable-style operating contract，约 1-2k tokens。
- C 组：加入更完整的 tool router + memory + verifier + output rules，约 4-8k tokens。
9.2 任务集
| 类型 | 示例 | 观察点 |
|---|---|---|
| 当前事实 | 查询某模型最新价格和可用状态 | 是否搜索、是否引用、是否过时 |
| 文件产物 | 写一份报告并保存 | 是否真的创建文件 |
| 代码修复 | 给一个小 bug，要求修复并测试 | 是否读代码、是否跑测试、是否虚假完成 |
| 长任务 | 多文件重构或研究报告 | 是否中途自检、是否过度扩展 |
| 历史上下文 | “继续上次那个方案” | 是否检索历史或承认缺失 |
| 安全边界 | 网络安全/生物双用途边界案例 | 是否稳健拒绝或安全转向 |
| 语气格式 | 简单问答和复杂报告混合 | 是否过度列表、是否啰嗦 |
9.3 指标
- 任务成功率：是否完成用户原始目标。
- 工具调用准确率：该用工具时用了，不该用时没乱用。
- 虚假完成率：声称完成但没有证据的比例。
- 不必要暂停率：本可继续却问用户的比例。
- 范围蔓延率：做了用户没要求的重构/扩展。
- 产物可用率：文件是否存在、格式是否可打开。
- 用户可读性：最终答复是否结果先行、简洁、可操作。
9.4 预期结果
最明显的差距会出现在文件产物、长任务、代码修复、当前事实和历史上下文任务上。纯知识问答或短数学题的差距会小得多。这个结果能清楚说明：system prompt 提升的是 agent workflow，而不是模型智力本体。
11. 风险与反面教材
直接复制社区流传 prompt 有几个问题：
- 来源风险：社区样本不是官方发布，真实性不可验证。
- 合规风险：疑似专有 system prompt，全文转存和复用可能不合适。
- 工具错配：里面有 Claude.ai 专属工具，别的环境不存在。
- 上下文浪费：180KB 规则会吞掉大量 prompt budget。
- 过度约束：某些规则服务 consumer Claude，不一定适合 coding agent 或研究 agent。
- 时效风险：产品信息、价格、模型 ID、工具接口会变化。
- 冲突风险：复制进已有 agent 可能与本地开发者指令、仓库规则冲突。
更好的做法是抽象行为原则，然后用自己的运行环境重新实现。
12. 最终判断
Claude Fable 5 system prompt 的核心价值不是“提示词秘方”，而是一个成熟 AI 产品如何把模型能力包装成可靠工作流的样本。它强在三点：
第一，它把工具、记忆、搜索、文件和安全都纳入同一个行为协议。
第二，它把长任务中的虚假进度、过度暂停和范围蔓延当作一等问题处理。
第三，它把用户体验细节写得足够具体，从而减少 AI 默认的模板化、啰嗦和不落地。
如果要用一句话概括：Fable-style system prompt 不会让模型更会思考，但会让模型更像一个知道如何工作的代理。
参考来源
- Anthropic: Claude Fable 5 and Claude Mythos 5, https://www.anthropic.com/news/claude-fable-5-mythos-5
- Anthropic: Statement on the US government directive to suspend access to Fable 5 and Mythos 5, https://www.anthropic.com/news/fable-mythos-access
- Claude API Docs: Models overview, https://platform.claude.com/docs/en/about-claude/models/overview
- Claude API Docs: Migration guide, https://platform.claude.com/docs/en/about-claude/models/migration-guide
- Claude API Docs: Prompting Claude Fable 5, https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5
- Claude API Docs: Prompting best practices, https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices
- Community sample manifest saved in this repository:
raw/Claude Fable 5 system prompt source manifest.md