Fable 5 变笨了？别急，可能是系统偷偷给你换了模型 😅
你问同一个问题，过去能拿到一份有逻辑、有细节的答案；重新上线后，却像在和一个“只想快点交差”的助手聊天。
回答更短。
推理步骤少了。
你明明问的是方案，它却只回几句泛泛建议。
这种落差不一定是错觉。一个常见原因是：Fable 5 可能会根据问题难度，自动把请求路由到不同能力、不同成本的模型。
简单问题走轻量模型。复杂任务才有机会走更强的模型。
听起来很省资源，对吧？可一旦判断失误，用户的感受就会非常直接：“这玩意儿怎么突然没以前聪明了？”
什么是自动模型路由？
把它想成一家餐厅的分单台。
你点一杯冰美式，系统没必要叫主厨出场，普通咖啡师就能做。
你点一桌十人宴席，还要求忌口、摆盘、出菜顺序，那就得交给经验更足的人。
AI 产品也在干类似的事：
- “帮我把这句话润色一下” → 可能分给轻量模型
- “Python 怎么读 CSV 文件？” → 可能分给中等能力模型
- “根据这份合同找出风险条款，并按法务视角给修改建议” → 理论上应分给更强模型
这样做的目的很现实：
- 响应更快
- 成本更低
- 高级模型的额度留给更难的问题
问题出在，系统对‘简单’的判断，常常比你想象得粗糙。
一句看上去很短的问题，背后可能藏着大量上下文。路由器没读懂，就可能直接把你送去轻量模型那里排队。
为什么复杂任务会被误判成简单任务？
1. 你的问题太短，信息密度却很高
比如你只问：
帮我看看这个方案有没有问题。
对路由系统来说，这句话很像普通聊天。
可你真正期待的是：分析逻辑漏洞、预算风险、执行难点、团队协作成本，再给一版可落地的改法。
这已经不是“看看”了，这是一次小型咨询。
2. 任务目标没写出来
很多人把资料一贴，然后说：
分析一下。
分析什么？
是找错别字，还是找商业风险？是做摘要，还是反驳观点？模型不知道，你也很难拿到满意答案。
3. 系统把“日常语言”误判为轻任务
你用一句大白话提问：
我这个脚本怎么老报错？
看着像日常求助，实际上可能需要读完整报错、理解依赖版本、检查运行环境。
路由器如果只看表面，很容易低估难度。
4. 长对话里的上下文没有被完整带入
你前面聊了二十轮需求，后面只说：
那就按第二种改。
人类能接住这句话。模型路由系统未必能。
如果它拿到的是不完整上下文，可能把这句当成简单指令，转给能力较弱的模型。接下来的回答，大概率会开始“失忆”。
怎么判断自己是不是被分到了轻量模型？
没有公开的模型标识时，你可以看输出特征。下面这些信号很常见：
- 回答速度突然快很多，几乎秒出
- 内容明显变短，细节被压缩
- 遇到多条件任务时，只处理了其中一两项
- 不愿意展示推理过程，只给结论
- 代码能写出来，却跑不通
- 反复复述你的问题，没真正推进任务
- 需要对比、计算、规划时，开始给“万能模板话术”
单独出现一条，不足以说明问题。
连续出现三四条，基本可以怀疑：你拿到的不是最强模型输出。
如果产品界面提供模型名称、调用记录、消耗明细或日志入口，直接去看。别靠猜。
想拿到更稳的回答，提示词要这样写
关键不是堆一大段“请认真思考”。这类话常常没用。
更有效的做法是：把任务难度、输出标准和失败成本写清楚。
模板 1：给复杂分析任务加上明确边界
别这样问：
帮我分析这份运营方案。
改成这样：
请按资深增长负责人视角评审这份运营方案。
目标：找出会导致活动失败的关键问题。
重点检查：目标人群、预算分配、转化链路、排期风险、数据指标。
输出格式：
1. 问题清单
2. 每个问题的影响等级（高/中/低）
3. 可执行的修改建议
4. 一版优先级排序后的行动计划
不要只做摘要。缺少信息时请明确列出需要补充的内容。
这段话传递了一个信号：任务不是闲聊，不能随便敷衍。
模板 2：让代码任务带上验收条件
别这样问：
写个爬虫。
改成这样：
请用 Python 写一个可运行的网页数据采集脚本。
要求：
- 使用 requests 和 BeautifulSoup
- 支持分页
- 处理请求失败与超时
- 将结果保存为 CSV
- 给出依赖安装命令和完整运行步骤
- 代码里写必要注释
输出前请自行检查：变量是否定义、导入是否完整、CSV 编码是否适合中文环境。
有了验收条件，模型更难用一段半成品代码打发你。
模板 3：给长对话做“上下文锚点”
当你聊了很多轮，别只发“继续”或“按刚才那个改”。
可以这样写：
基于当前对话里的项目背景继续。
当前目标：为一款面向独立开发者的 AI 工具写落地页。
已确定风格：直接、有技术感、不浮夸。
现在请只修改「核心卖点」部分，给出 3 个版本，每个不超过 80 字。
这一步很笨，却很管用。
你是在替系统补齐任务上下文，避免它半路掉线。
一个特别实用的技巧：把大任务拆成“连续的小验收”
很多人一上来就丢给 AI 一个巨型任务：
帮我做一份完整商业计划书。
然后得到十几页看着很满、实际上没法用的内容。熟悉吧？
更靠谱的节奏是：
- 先让它列出商业计划书目录，并说明每部分需要哪些信息。
- 再单独做市场分析，要求写清数据假设。
- 接着做收入模型，让它给出计算公式。
- 再做风险部分，专门让它挑刺。
- 等每一块都确认后，再整合成完整文档。
这样做有两个好处：
- 每一步都足够具体，不容易被路由成“随便聊聊”
- 你能及时发现模型开始偷懒，而不是等成品出来才崩溃
想让 AI 帮你每天早下班一小时，靠的不是一次性扔任务。靠的是把任务拆到每一步都能检查。
别忽视日志：你的提问可能会被记录
原始信息里提到，系统可能会把模型选择或处理过程写入日志。
日志本身不奇怪。产品需要排查故障、统计调用、优化路由。
可你得有点边界感。
不建议直接丢进去的内容
- 客户身份证、手机号、住址
- 公司未公开的财务数据
- 源代码密钥、Token、数据库连接串
- 未发布产品的核心策略
- 合同原文、病历、简历等敏感文件
- 真实账号密码
更稳妥的处理方式
- 用
张三、客户A、项目X替换真实身份信息 - 删除密钥和内部链接
- 金额可用区间或比例代替
- 合同分析前，遮掉姓名、地址、账号、签章等字段
- 查看产品的隐私设置、数据保留规则和训练授权选项
别等信息进了系统，才想起来问“日志会不会保存”。那就有点晚了。
遇到回答变差时，按这个顺序排查
1. 重新定义任务
把“帮我优化一下”改成“优化哪个指标、面向谁、限制是什么、交付格式是什么”。
2. 明确要求处理全部条件
比如：
请逐条回应以下 6 个要求，不能遗漏。完成后用清单自检。
3. 给出一段你认可的参考答案
模型对“好”的理解很飘。你贴一个参考风格，它会稳定很多。
4. 拆分任务，不要赌一次成稿
复杂任务分段做。每段验收。别把希望压在一条超长提示词上。
5. 检查是否能手动选模型
如果界面支持切换模型、关闭自动模式或选择高性能模式，复杂工作直接手动指定。
写合同、做代码审查、分析财务、处理重要方案时，别为了省几秒钟响应速度赌结果质量。
避坑清单 🚫
- 别把“回答很快”当成“模型很强”：秒回有时只是任务被分给了轻量模型。
- 别只说“认真一点”：写清交付标准，比喊口号有用得多。
- 别在超长对话里省略背景：关键目标要反复锚定。
- 别把敏感数据原封不动贴进对话框：日志、留存和权限问题，永远值得多留个心眼。
- 别只看文笔：AI 写得顺，不代表方案能执行。看数据、逻辑、步骤和边界条件。
- 别让一个回答决定重要事项：涉及钱、合同、医疗、法律、生产环境代码，都要人工复核。
写在结尾
你觉得 Fable 5 “没以前聪明”，未必是你要求变高了。
很多时候，问题是系统在你不知道的地方做了判断：这题简单，给轻量模型处理就行。
可用户真正需要的，从来不是一个“看上去能回答”的模型。
而是在关键任务上，能理解上下文、扛住复杂条件、把活儿做完整的模型。
所以，别只问“它为什么变笨”。
换个问法更有用：我有没有把任务说到让系统无法误判的程度？
把目标、约束、交付物、验收标准写出来。你会发现，很多“AI 降智时刻”，其实能提前避免。
