别只追模型更新，你的「任务想象力」才是分水岭

Anthropic 刚刚发布了 Fable 5。跑分翻倍，one-shot 就能完成复杂任务，这些数字和 demo 已经传遍了。但有个更值得关注的信号被淹没在技术评测和价格讨论里。原文那句话说得很直接，「我们严重缺乏任务想象力」。

很多人看完 Fable 5 的第一反应是「它又变强了」。但真正的问题是：你的工作方式是跟着一起升级了，还是还在用旧模型的方法指挥新模型？如果你发现自己写提示词的套路越来越不管用，那答案很可能就是后者。

一、Fable 5 曝出了一个深层问题

这次发布有一个被严重低估的细节。X 上流传的多个 Fable 5 演示，都不是复杂提示工程反复调优的产物。它们是一次性提示直接扔给模型的结果。模型看一眼任务描述，就理解了意图，输出了可用的成果。

这在以前几乎不可能。过去我们习惯了「给例子、调 prompt、再试一次」的循环。但 Fable 5 把门槛降到了接近自然对话。不需要精心构造 few-shot 示例，不需要在 prompt 里塞满 chain-of-thought。说任务，它就能干。

同时它也揭开了很多人不愿面对的现实：他们还在用 Claude 3 Opus 时代的方法操作 Fable 5。写了三页 prompt，塞满各种约束和边缘 case，结果还不如随便说一句管用。模型没问题，是人的使用方法没跟上。

二、卡点从操作层转移到了设计层

过去两年 AI 应用的发展可以分为两个阶段。第一阶段，大家的焦虑是「怎么让模型理解我」。拼命学提示工程、学 chain-of-thought、学 few-shot 模板。第二阶段就是今天。模型已经能理解你了，问题变成了「我该让它做什么」。

听起来像一句废话，但它意味着一个根本性转变。原来你的核心技能是「操作 prompt 的熟练度」，现在的核心技能变成了「拆解业务需求、设计模型可执行任务的能力」。原文管这个叫「任务想象力」。

这个转变是断层式的。有些人 15 分钟就能把一个业务场景拆成模型可执行的多个子任务，拿到可用结果。有些人对着 Fable 5 调了一整天，还是写不出一个顺手的 prompt。能力的差距在加速分化，有人越跑越快，有人还在原地打转。

三、「任务想象力」到底是什么

拆开来看，「任务想象力」可以分解为三个层次。

第一层：理解模型的「认知盲区」。每个模型都有自己的能力边界。Fable 5 擅长理解模糊任务，但在高度结构化的编码场景中稳定性仍有起伏。知道模型什么时候靠得住、什么时候靠不住，本身就是一种判断力。

第二层：把模糊需求变成可执行指令。业务方说「帮我分析一下这组用户数据」。这不是一个任务。你得知道是一组什么数据、分析什么维度、输出格式是什么、要不要对比基线、异常值怎么处理。能把这种模糊需求拆成 5 到 10 个独立的小任务，比直接丢一句 prompt 能拿到好十倍的结果。

第三层：判断什么该交给 AI，什么不该。所有任务都适合大模型吗？有些交给传统算法更快，有些根本不需要 AI。知道什么时候不用 AI，跟学会怎么用 AI 一样重要。

四、三个自己就能做的训练方向

想让自己的任务想象力跟上模型迭代，有三个可以自己着手的方向。

方向一：每天找一个模糊任务，试着拆解。选一个日常工作场景，比如「帮市场部生成下周的投放简报」。不要写完就完事，认真拆：数据来源有哪些、简报受众是谁、他们关注什么指标、对比周期是什么、异常数据怎么标注。拆细了，你对任务的理解自然更深。

方向二：测试模型的边界，建立自己的「模型画像」。拿同一个任务，用不同的表达方式去试 Fable 5。有的写法它理解精准，有的写法它会跑偏。把差异记下来，你就建立了属于自己的模型能力地图。这张地图比任何跑分榜都实用。

方向三：在团队里做任务设计的复盘。一个 AI 项目结果不如预期时，大家的第一反应是「模型不行」。但更值得追问的是：任务设计有没有问题？需求有没有真正被拆解到模型可以理解的粒度？这种复盘练的不是提示词技巧，是问题拆解和任务架构的能力。

最后说一句。Fable 5 真正抬高的是什么？不是什么跑分记录，是每个人能力模型的门槛。以后领先的不会是追新模型最快的人，而是最早重新理解「任务」这两个字的人。这个差距一旦拉开，就很难追上。