用Claude Fable5识别未知，优化项目流程

当你使用AI工具完成复杂任务却屡屡碰壁时，第一反应是不是觉得模型能力不足？来自AI开发领域的资深实践表明，真正的瓶颈往往不是模型本身，而是我们自身没有厘清的未知盲区——这正是Anthropic工程师Thariq在长文中提出的核心观点。这篇获得超150万浏览的文章，重新定义了智能编码的核心技能：不是优化提示词，而是主动发现和澄清自己的未知盲区。

地图与领土：未知盲区的核心隐喻

Thariq用一个经典的认知比喻来解释这个问题：我们提供给AI的提示词、技能设定和上下文信息，就像是一张「地图」，是对实际工作的抽象描述；而真实的代码库、现实世界的约束、任务的具体执行场景，则是「领土」。两者之间的差距，就是我们所说的unknowns（未知盲区）。

当AI遇到未知盲区时，只能基于对用户意图的猜测来完成任务。任务越复杂，涉及的未知盲区越多，最终结果偏离真实需求的概率也就越大。

四象限盲区模型：你在哪种盲区丢分？

Thariq将人与AI协作时的信息盲区划分为四个经典象限，帮我们系统梳理可能存在的认知缺口：

• Known Knowns（明确已知）：也就是提示词里清晰写明的内容，告诉AI你想要什么，这是协作的基础层级。
• Known Unknowns（已知未知）：你意识到自己还没有想清楚的部分，至少你清楚自己存在认知缺口，这部分可以主动向AI寻求帮助。
• Unknown Knowns（隐性已知）：那些对你来说太过理所当然、以至于根本不会写进提示词的默认假设。但AI无法直接读取你的隐性认知，这是最常见的偏差来源。
• Unknown Unknowns（完全未知）：你根本没有意识到的知识盲区。你可能不知道「合格」的标准是什么，不了解某个领域的最佳实践，甚至不知道自己的问题可以用另一种方式重新表述。

Thariq观察到的顶尖智能编码开发者，共同特点是自身的未知盲区相对更少。他们深度熟悉代码库和AI模型的行为模式，既清楚自己的目标，也能提前预判可能存在的认知缺口。好消息是，减少未知盲区是一项可以通过练习掌握的技能，而AI本身就是最好的练习搭档。

从盲区到落地：全流程盲区管理方法

Thariq的实践并非一次性想清楚所有问题再动手，而是将未知盲区的发现嵌入到项目的完整生命周期中，分为三个核心阶段：

项目启动前：五大工具扫清前置盲区

在正式开始工作前，可以通过五种方式主动排查和填补未知盲区：

1. 盲区扫描（Blind Spot Pass）

当你进入不熟悉的领域，比如全新的代码库或者设计方向，可以直接让AI帮你完成盲区扫描。Thariq建议在提示词中直接使用「blindspot pass」和「unknown unknowns」这类关键词，并明确告知AI你的背景知识和经验水平。

示例："我对这个代码库的认证模块完全不了解，你能帮我做一次盲区扫描，找出我可能存在的未知盲区，让我能更清晰地给你下达指令吗？"

2. 头脑风暴与原型生成

当你需要做一些难以用语言描述的判断时，比如视觉设计，可以让AI一次性输出多个不同的方向供你选择和反馈。Thariq表示：「我几乎所有的编码工作都是从探索和头脑风暴阶段开始的」，这能有效避免你把任务范围设置得过于狭窄或宽泛。

示例："我想制作一个数据仪表盘，但我没有视觉设计经验，也不清楚有哪些可行的方向。请给我生成4种完全不同的HTML页面设计方案，让我可以快速做出反馈。"

3. AI面试式提问

经过头脑风暴后，如果仍然存在模糊不清的地方，可以让AI像面试官一样逐题向你提问，优先聚焦那些「你的答案会直接改变整体架构」的关键问题。

示例："针对这个项目中所有有歧义的部分，请逐题向我提问，优先关注那些我的答案会影响整体架构设计的问题。"

4. 用参考资料替代文字描述

当你根本不知道该如何用语言描述想要的效果时，最有效的方式就是直接提供参考示例。就像AI设计工具的工作原理一样，给AI一段现有代码或模块，它会读取底层逻辑而非仅看表面效果，从而更精准地理解你的需求。

示例："vendor/rate-limiter这个Rust库实现了我需要的退避逻辑，请先阅读它的代码，然后在我们的TypeScript API客户端中复现相同的语义。"

5. 可变的实施计划

在正式开始编码前，让AI制定一份实施计划，但重点放在你最可能调整的部分，比如数据模型、类型接口和用户体验流程，将机械性的重构工作放在计划的末尾。

示例："请编写一份HTML格式的实施计划，将最可能被我修改的决策放在最前面：包括数据模型变更、新类型接口和所有用户可见的内容。机械性的重构放在最后，这部分我信任你的处理能力。"

执行过程中：主动记录执行偏差

计划永远赶不上变化。AI在执行过程中可能会遇到代码中的边缘情况，被迫偏离最初的计划。Thariq的做法是让AI维护一个临时的implementation-notes.md文件，记录每次被迫做出选择的原因和背景。

示例："请维护一个implementation-notes.md文件。如果你遇到边缘情况不得不偏离原定计划，请选择保守方案，并在'Deviations'章节下记录具体原因，然后继续执行任务。"

项目收尾后：确保理解与获得认可

当任务完成后，还有两个关键步骤来确保最终成果符合预期：

1. 成果展示与解释说明

任务交付后的最大挑战之一是获得团队的认可和审批。Thariq建议将原型、规格文档和执行笔记打包成一份清晰的解释材料，让评审者能够从你曾经的未知盲区角度来理解整个方案，从而加速审批流程。

示例："请将原型、规格文档和执行笔记整理成一份可以直接分享的文档，用于获取团队的认可。请在文档最前面放置演示用的GIF动图。"

2. 知识测验验证掌握度

经过长时间的协作后，AI可能已经完成了远超你预期的工作。Thariq的习惯是让AI生成一份知识测验，只有自己完全通过测验后才会合并代码。这比单纯查看代码差异更能确保你真正理解了所有变更的影响。

示例："请生成一份HTML格式的报告，包含本次变更的上下文、直观解释和具体实现内容，并在报告底部设置一个测验，我必须通过这个测验才能合并代码。"

实战案例：用这套方法制作发布视频

Thariq用自己制作Claude Fable 5发布视频的完整过程，生动演示了这套盲区管理方法的实际应用：

他本身并不是专业的视频编辑师，但他知道AI可以通过代码完成视频剪辑和转录工作。他首先向AI询问了Whisper转录的准确性，以及能否用FFmpeg工具去除视频中的「嗯」这类停顿词。接着，他让AI用Remotion工具生成原型，验证「UI与语音同步」的效果是否可行。

当视频最终输出后色调发灰，他意识到这是色彩分级的问题，但他完全不知道什么是色彩分级，也不清楚合格的色彩效果应该是什么样。这时候他没有让AI直接生成几种变体，而是请AI先教他什么是色彩分级，帮助他发现自己的未知盲区。

最终，整个发布视频完全由AI辅助剪辑完成，全程应用了这套盲区管理方法。

最后的思考

模型能力越强，正确的协作方法就越重要。当一个长周期任务没有得到预期结果时，问题通常不是模型不够聪明，而是你花在定义和厘清未知盲区的时间太少，或是没有给AI足够灵活的调整空间来应对未知情况。

每一次解释、头脑风暴、面试式提问、原型生成和参考资料调用，都是在以低成本的方式，在问题变得难以修复之前，发现你之前完全不知道的认知缺口。

所以，在下一个项目开始前，不妨先问问你的AI助手：「帮我找到我的未知盲区」。

塔猴是一个专注于为用户提供系统学习、内容创作与商业连接的AIGC综合服务平台，致力于为每一位AI探索者打造理想的创作、成长家园。在塔猴，你不仅可以学习众多AIGC类实战课程，获得与时俱进的AIGC技能和视野，还有机会获得长期商业合作和接单机会！点击进入：https://www.tahou.com/

AI生成内容提示：本文由人工智能辅助创作，内容仅供参考，不代表平台观点。请注意核实信息的准确性，并理性判断。