Guida alla Prompting di Claude Fable 5.2: 15 Migliori Pratiche per Risultati Migliori
Scopri come utilizzare Claude Fable 5.2 per coding, ricerca e flussi di lavoro agenti utilizzando criteri di successo chiari, sforzo calibrato, strumenti e verifica.

Claude Fable 5.2 è progettato per ragionamenti complessi e lavori a lungo termine, ma un modello capace ha comunque bisogno di un compito ben definito. Il prompt migliore non è il più lungo. Fornisce al modello abbastanza contesto per agire, rende il successo verificabile e separa i vincoli rigidi dalle preferenze.
Questa guida si concentra sui flussi di lavoro delle API e degli agenti. Fable 5.2 utilizza un pensiero adattivo sempre attivo, imposta di default lo sforzo su high nell'API Claude e non accetta temperature, top_p o top_k. La progettazione del prompt e la configurazione dello sforzo risolvono problemi diversi: il prompt definisce il lavoro; lo sforzo controlla quanto lavoro del modello viene applicato.
1. Inizia dal risultato
Debole:
Rivedi questo repository.
Più forte:
Identifica la modifica sicura più piccola che risolve il test di checkout fallito. Restituisci la causa principale, i file modificati, le prove del test e qualsiasi rischio irrisolto. Non rifattorizzare codice non correlato.
La versione più forte definisce successo, evidenza e ambito senza imporre una soluzione non verificata.
2. Spiega perché il vincolo è importante
I modelli seguono i vincoli in modo più affidabile quando il loro scopo è chiaro.
Mantieni lo schema di risposta corrente perché tre client mobili lo consumano e non possono essere aggiornati in questa release.
Questo è più utile di "non modificare lo schema", perché aiuta il modello a rifiutare opzioni apparentemente eleganti ma incompatibili.
3. Separa i requisiti dalle preferenze
Usa le etichette:
- Obbligatorio: i test di accettazione superano; nessun tempo di inattività del database; mantenere la compatibilità con le versioni precedenti.
- Preferisci: la differenza più piccola; riutilizza le astrazioni correnti.
- Evita: nuove dipendenze a meno che non siano necessarie.
Quando tutto viene presentato come ugualmente importante, i compromessi diventano imprevedibili.
4. Fornisci un contesto autorevole, non un cumulo di documenti
Indica la fonte di verità e identifica il materiale potenzialmente obsoleto.
Considera
contracts/v3/openapi.yamle i test di migrazione come autorevoli. La pagina wiki è solo di riferimento e potrebbe essere obsoleta.
Una finestra di contesto di un milione di token rende possibili input di grandi dimensioni, non automaticamente rilevanti.
5. Chiedi un breve piano prima di un'azione ad alto impatto
Per migrazioni, scritture esterne o refactoring estesi, richiedi una mappa delle dipendenze concisa e un piano prima delle modifiche. Per attività di routine e reversibili, una pianificazione eccessiva può rallentare il flusso di lavoro. Abbina il checkpoint al rischio.
6. Definisci esplicitamente i permessi degli strumenti
Dì all'agente cosa può leggere, modificare, eseguire o contattare. Richiedi approvazione prima di comandi distruttivi, acquisti, messaggi, distribuzioni o scritture in produzione. Le salvaguardie del modello non sostituiscono le autorizzazioni a livello di applicazione.
7. Descrivi il traguardo per gli agenti
Con uno sforzo basso o medio, Anthropic raccomanda un'istruzione di completamento esplicita per compiti agentici. Ad esempio:
Continua fino a quando la modifica richiesta non viene implementata e i test pertinenti non sono stati eseguiti. Se un test non può essere eseguito, segnala esattamente il blocco e le prove raccolte invece di fermarti al primo tentativo.
Questo riduce il passaggio prematuro senza autorizzare un'espansione non correlata.
8. Chiedi prove, non fiducia
Non chiedere "Sei sicuro?" Chiedi output di test, citazioni delle fonti, calcoli o un confronto con i criteri di accettazione. La fiducia auto-dichiarata è più debole delle prove osservabili.
9. Mantieni un obiettivo principale per turno
“Correggi il bug, riprogetta l’architettura, migliora le prestazioni, aggiorna la documentazione e suggerisci un piano di marketing” crea traguardi in competizione. Suddividi i risultati indipendenti in fasi o richieste separate.
10. Usa esempi per definire formati ambigui
Una coppia rappresentativa input/output può chiarire tono, granularità, etichette e casi limite. Evita molti esempi quasi identici che consumano contesto e incoraggiano l'imitazione invece del ragionamento.
11. Controlla la lunghezza della risposta nel prompt
Lo sforzo cambia a malapena la lunghezza della risposta visibile. Se hai bisogno di un risultato compatto, dillo:
Restituisci una tabella dei rischi di cinque righe seguita da una raccomandazione di non più di 150 parole.
Usa lo sforzo per controllare la profondità del ragionamento, non la verbosità.
12. Verifica della richiesta come parte dell'attività
Per il codice:
Esegui i test mirati, poi la più piccola suite di regressione pertinente. Ispeziona il diff finale per modifiche non correlate.
Per la ricerca:
Supporta le affermazioni del materiale con fonti primarie, distingui i fatti delle fonti dalle inferenze ed elenca i conflitti irrisolti.
13. Spiega al modello come gestire l'ambiguità
Specifica quali presupposti sono sicuri e quando è necessaria una chiarificazione.
Se la scelta è reversibile e non modifica l'API pubblica, adotta l'ipotesi più piccola e ragionevole e registrala. Fermati per chiarimenti se il comportamento della migrazione dei dati o le modalità di fatturazione dovessero cambiare.
14. Progettare un'istruzione di ripristino
Il lavoro a lunga esecuzione necessita di una politica per i guasti:
Quando uno strumento fallisce, esamina l'errore, prova un'alternativa sicura e preserva il lavoro completato. Non ripetere la stessa chiamata senza modificare una condizione rilevante.
Questo impedisce costosi cicli di ripetizione.
15. Valuta le modifiche ai prompt su attività reali
Non ottimizzare attorno a un singolo risultato impressionante. Mantieni un insieme di compiti tipici, difficili e precedentemente falliti. Confronta il tasso di accettazione, il successo degli strumenti, la latenza, l'uso di token e il tempo di correzione umana a sforzo costante.
Un modello di prompt riutilizzabile
Obiettivo
Contesto e fonti di verità <File, documenti, sistemi e aggiornamenti rilevanti>
Requisiti
Vincoli e autorizzazioni <Ambito, sicurezza, compatibilità e limiti di approvazione>
Processo <Plan/checkpoint solo dove utile>
Output <Formato, lunghezza, citazioni, test o artefatti>
Regola di completamento <Quando continuare, fermarsi o chiedere input>
Per i team creativi, Fable può aiutare ad analizzare ricerche, sceneggiature e vincoli di produzione prima che i materiali approvati passino a [Elser AI](https://www.elser.ai/) o a un flusso di lavoro strutturato di [ElserStudio](https://elserstudio.ai/). Confermare il percorso di integrazione effettivo, senza dare a intendere che Fable sia integrato in modo nativo.
## Domande frequenti
### I prompt dovrebbero dire a Claude di "pensare passo dopo passo"?
Fable 5.2 utilizza già il pensiero adattivo. Definisci l'obiettivo e le prove invece di richiedere la divulgazione del ragionamento privato.
### Un prompt più lungo produce una risposta migliore?
Solo quando il contenuto aggiunto è pertinente. Un contesto contraddittorio, obsoleto o ripetitivo può rendere il compito più difficile e costoso.
### La richiesta di prompt può sostituire un livello di sforzo maggiore?
No. Il prompting chiarisce il compito; lo sforzo controlla la profondità del ragionamento, l'uso degli strumenti, la latenza e il consumo di token. Ottimizza entrambi sullo stesso set di valutazione.

















































































































