Poza horyzont własnej niewiedzy. Jak efektywnie programować z modelem Claude Fable 5

Ewolucja dużych modeli językowych dotarła do punktu, w którym wąskim gardłem przestaje być sama technologia, a staje się nim precyzja ludzkiego myślenia. Premiera Claude Fable 5, która miała miejsce 9 czerwca 2026 roku, wprowadziła do powszechnego użytku pierwszego przedstawiciela klasy Mythos. To moment, w którym programowanie przestaje polegać na wydawaniu poleceń, a zaczyna na zarządzaniu własną niewiedzą.

Thariq Shihipar, deweloper z zespołu Anthropic, stawia sprawę jasno: jakość kodu generowanego przez AI zależy dziś głównie od tego, jak skutecznie użytkownik potrafi zidentyfikować własne luki w wiedzy, zanim w ogóle zacznie pisać prompt. Fable 5, z oknem kontekstowym rzędu miliona tokenów i ceną 50 dolarów za milion tokenów wyjściowych, nie jest już tylko szybszą autokorektą. To system zaprojektowany do długofalowej pracy agentowej i analizy całych baz kodu w jednym przebiegu.

Pułapka specyficzności

W tradycyjnym podejściu do inżynierii promptów dążymy do maksymalnej precyzji. Shihipar ostrzega jednak przed dwoma skrajnościami. Zbyt szczegółowe instrukcje potrafią uwięzić model w błędnym schemacie myślowym autora, blokując systemowi drogę do znalezienia lepszej architektury. Z drugiej strony, nadmierna ogólnikowość skazuje system na generowanie bezpiecznych, ale mało przydatnych standardów branżowych, które rzadko pasują do unikalnego kontekstu projektu.

Kluczem do sukcesu w pracy z nowym modelem jest zrozumienie tak zwanej macierzy niewiedzy. Shihipar dzieli informacje na cztery kategorie: od faktów, przez świadome braki, aż po sferę „Unknown Unknowns” – kwestie, których deweloper w ogóle nie wziął pod uwagę. To właśnie tam kryje się największy potencjał optymalizacji współpracy z maszyną.

Strategia przed implementacją: Blindspot Pass

Zamiast rzucać się w wir pisania, programista powinien wykorzystać model do audytu własnego toku myślenia. Shihipar sugeruje technikę „blindspot pass”. Polega ona na poproszeniu AI o wskazanie martwych punktów w planowanej architekturze, zanim powstanie pierwsza linia kodu. Claude, mając dostęp do repozytoriów i dokumentacji, potrafi błyskawicznie zidentyfikować zależności, o których człowiek mógłby zapomnieć. „Fable 5 jest pozycjonowany jako AI stworzone do wymagającego rozumowania i długoterminowej pracy agentowej, a nie do jednorazowych promptów” – podkreśla zespół Anthropic w oficjalnych komunikatach.

Innym narzędziem są ustrukturyzowane wywiady. W tym scenariuszu to AI przejmuje rolę pytającego, analizując niejednoznaczności w założeniach projektowych. Taka sesja pozwala wykryć błędy w logice, które na etapie implementacji byłyby niezwykle kosztowne. Biorąc pod uwagę, że Fable 5 jest dwukrotnie lepszy w kodowaniu niż jego poprzednicy, przeskoczenie etapu planowania to marnotrawstwo jego potencjału.

Eksperyment zamiast definicji

W obszarach subiektywnych, takich jak UI czy design, deweloperzy często zmagają się z wiedzą, którą posiadają, ale której nie potrafią precyzyjnie opisać słowami. Rozwiązaniem Shihipara jest szybkie prototypowanie. Zamiast opisywać wygląd komponentu, lepiej poprosić model o wygenerowanie kilku radykalnie różnych kierunków estetycznych jako artefaktów HTML. Reakcja na gotowy materiał pozwala szybciej sprecyzować wymagania niż żmudne opisywanie kolorystyki.

Shihipar kładzie również duży nacisk na dokumentację procesową. Wprowadzenie pliku implementation-notes.md, w którym AI na bieżąco notuje decyzje i przypadki brzegowe, pozwala na ciągłą naukę obu stron. Proces kończy się nie tylko wdrożeniem, ale i weryfikacją – autor stosuje automatycznie generowane quizy, aby mieć pewność, że w pełni rozumie zmiany, które model wprowadził w kodzie.

AI jako partner, nie tylko narzędzie

Doświadczenia Shihipara pokazują, że model może służyć jako mentor wprowadzający w zupełnie nowe dziedziny. Gdy budował narzędzie do montażu wideo, przy niesatysfakcjonujących efektach nie prosił o więcej wariantów. Poprosił Claude’a o naukę podstaw teorii barw. Zrozumienie fundamentów pozwoliło mu sformułować lepsze wytyczne dla maszyny.

W dobie potężnych modeli klasy Mythos przewagę zyskują nie ci, którzy piszą najdłuższe instrukcje, ale ci, którzy traktują AI jako partnera w procesie myślowym. Każdy dokument strategiczny czy prototyp to tania metoda na wykrycie błędów, które w fazie produkcyjnej stają się drastycznie drogie. Nowoczesne programowanie staje się zatem w mniejszym stopniu czynnością techniczną, a w większym – ćwiczeniem z intelektualnej pokory.