Fable5继续用！省钱50%的两个小妙招！
哈哈！还真的延期了！Fable继续用！
为了赶在 7 月 7 日之前完成，我一口气测试了好多例子，主要是很多类型的游戏开发，我的一个感觉是，最好让 Fable 5 来设计游戏的核心引擎，把整个架构搭建起来，把核心难点攻克了，然后交给 Opus 4.8 来完善细节。
这个搭配还不错。之前的坦克大战 2026 就是这么做的！
今天刷推特，官方还专门讲起了类似的操作。我是手动完成，它这个是可以通过 API 机制自动完成，感觉可以学习和收藏一下！以后调用 API 或者做智能体的时候，可以省好多钱。
根据他们的测评，大概可以省一半的钱，达到 Fable 5 的 90%+ 多的效果。
7eaf722e-646c-40f3-806c-6218c82081d0
我把官方的信息转过来，跟大家分享一下，然后也加强一下自己的记忆。
这是发布在官方开发者账号上的一个帖子：
分享了，他们在使用 Fable 5 中的两种模式！
一种是顾问，一种是协调器！
1、顾问模式
顾问模式是把 Fable 5 作为顾问，Sonnet 作为执行器调用 Fable 5，获取指导。
也就是大部分活还是 Sonnet 5 来干，如果它遇到啥难搞的问题，就是请教一下 Fable 5。
这种方式效果怎么样呢？官方有做过专门的测试的。
他们在专业的编程基准 SWE-bench Pro 进行了测试，最终结果是：
Sonnet 5 + Fable 5 顾问工具以约 63% 的价格获得了 Fable 5 分数的约 92%
整个过程大概是 Fable 5 每个任务仅被调用一次（约一次）来指导方向，而 Sonnet 5 执行者完成大部分工作。
实现这种方式的核心代码如下：
client = anthropic.Anthropic() response = client.beta.messages.create( model="claude-sonnet-4-6", max_tokens=4096, betas=["advisor-tool-2026-03-01"], tools=[ { "type": "advisor_20260301", "name": "advisor", "model": "claude-opus-4-8", } ], messages=[ { "role": "user", "content": "Build a concurrent worker pool in Go with graceful shutdown.", } ], ) print(response)这个主要是Claude API 里的功能，它是在你调用Messages API时，在tools里配置一个advisor，让一个“执行模型”中途请教另一个更强模型。
整个代码的执行逻辑大概是：
你先把 advisor 加到 tools 里
执行模型自己判断要不要调用
执行模型发出 server_tool_use
Anthropic 服务端单独跑一次顾问模型
顾问模型会看到完整上下文
Advisor 返回建议
执行模型继续生成答案
整个过程通常只需要一次 API 请求，特殊情况：中途暂停，Advisor 本身不能用工具。
官方文档里还是 4.6 咨询 Opus 4.8，现在可以把 4.6 换成 Sonnet 5，把 4.8 换成 Fable 5，整个能力又上一个台阶了。
2、协调器模式
上面这种模式看起来已经比 solo 好多了，保持大部分能力的情况下，成本降低了很多。但是作为有追求的开发者，是永不满足的（直到把自己替代哈哈）。
然后就有了第二种策略：将 Fable 5 作为协调器
Fable 5 规划并委托给工作者（Sonnet 5），大多数令牌按较低的工作者费率计费。
这种方式就是“顾问”变成“项目经理”了。Fable 5 负责全局把握，Sonnet 负责执行。从结构上来说，应该这种方案效果会更好，会更省钱。
下面是官方的测试数据：
在 BrowseComp 上，我们测试了 Claude 托管代理，使用 Fable 5 协调器 + Sonnet 5 工作子代理。Fable 5 协调器以 46% 的价格实现了 Fable 5 性能的 96%。
分布情况如下：
果然，这种方案性价比更好。96% 的性能，46% 的价格！
实现这种方式的核心代码如下：
# 子Agent research_agent = client.beta.agents.create( name="researcher", model="claude-haiku-4-5", mcp_servers=[ { "type": "url", "name": "github", "url": "https://api.githubcopilot.com/mcp/" }, ], tools=[ { "type": "mcp_toolset", "mcp_server_name": "github" } ], ) # 主控Agent coordinator = client.beta.agents.create( name="coordinator", model="claude-opus-4-8", tools=[ { "type": "agent_toolset_20260401" } ], multiagent={ "type": "coordinator", "agents": [ { "type": "agent", "id": research_agent.id } ], }, ) # 会话 session = client.beta.sessions.create( agent=coordinator.id, environment_id=environment.id, vault_ids=[vault.id], ) print(session.id)这个核心代码，其实就围绕3 件事：
创建几个子 Agent
创建一个 Coordinator 主 Agent
创建 Session，让主 Agent 去调度子 Agent
整体思路应该很清晰了，具体的代码，还是得看文档慢慢调，慢慢测试。我目前主要是使用 Claude Code，还没有到大量调用 Anthropic API 和 Agent 的阶段，先收藏学习，后面有空慢慢研究。
为了方便以后翻看，我把相关的几个文档都给找出来了。
官方文档：
https://platform.claude.com/docs/en/agents-and-tools/tool-use/advisor-tool
https://platform.claude.com/docs/en/managed-agents/multi-agent
https://github.com/anthropics/claude-cookbooks/blob/main/managed_agents/CMA_plan_big_execute_small.ipynb
我之前还让 Opus 4.8 给我做了一个中文版的 Claude 文档镜像站！
可以分享一波了：https://doc.jarvisuni.com/
几乎给我一模一样给扒下来了，目录结构和内容都是一致的，内容都是原版的，样式没有扒，但是看起来也还可以！
右上角还提供了一些辅助功能。
可以直接复制或者下载这个 MD 文档，也可以直接调用 Claude、ChatGPT 或者国内的 DeepSeek 来帮你解读这个文档。
收工，我要写代码搞项目去了！