最新资讯
stackoverflow.blog 欢迎来到芯片时代:半导体制造、AI 数据中心与芯片设计的未来 www.youtube.com AI Agent 总犯同样的错:CentralAgent AI 将记忆重构为经验系统 pub.towardsai.net Netflix 科学家建议重采样 LLM 评判:5 次仅将误差棒缩小 13% pub.towardsai.net Jev 作为 LLM 前的静默层:构建提示感知的模型路由器 reddit.com OpenAI 称 Astra 仅满足 10% 安全任务标准 dev.to FreeToken:在自有 GPU 上运行前沿 MoE 模型及其内存需求 dev.to 当 AI Agent 说“完成”时,究竟完成了什么? dev.to 部署 Underdog Bark 3.0 Pro:逐字转写、自定义后端与分块设置 dev.to 为艰难对话构建 AI:五个 Agent、一条安全正则与一位盲评监督者 techcrunch.com Palo Alto Networks 洽谈以 5 亿美元收购 AI Agent 安全初创公司 Clutch theinformation.com 黄仁勋被要求就涉华间谍指控向国会作简报 www.infoq.com Edera 推出 Object Capability Bounded Authority,试图将凭证与 AI Agent 工作负载隔离
多元动态
登录 注册
智能体 x.com · @dotey

宝玉分享省 Token 工作流:Fable 出方案、Opus 执行、Advisor 验收闭环

原文 我的收藏

该帖介绍一种节省 token 的多模型协作模式:先用 Fable 写设计方案,再由 Opus 执行,执行完成后让 Advisor(Fable)验收并反馈,Opus 按反馈修复直至通过,从而让 Agent 自行闭环,无需人工在会话间传递文档。文中给出 /advisor fable、/goal 等具体设置与提示词。

AI推荐理由 分享一套节省 token 的多模型协作工作流:Fable 写方案、Opus 执行、Advisor(Fable)验收形成闭环,并给出 /advisor、/goal 等具体操作与提示词。属于个人实践经验,方法可操作、对成本敏感的多 Agent 编排有参考价值,但效果为主观描述,无量化验证。

64 浏览 53,359 点赞 461 评论 143 转发 56

正文

最近摸索了一种新的节约 Token 但是效果不错的模式(都是被逼的,Token 太贵): Fable 写设计方案 -> (Loop 开始) Opus 执行 -> Advisor(Fable) 验收 (Loop 结束) 步骤是这样的: 1. 先 Claude 里面设置一下 advisor 为 Fable > /advisor fable 这样在使用 Opus,Sonnet 模型的时候,遇事不决它会请教 Fable,可能会有无谓的 Fable 消耗,但还是可以接受也值得 就好比请了个高级工程师当顾问 2. 复杂一点的问题先让 Fable 出方案,最大化利用 Fable 的能力。 就好比你让一个高级工程师写一个技术方案,让普通工程师去执行 3. 方案写好了确认了,让 Opus 去执行,但是执行的时候,加一句提示词: > 完成后让你的 advisor 验收一下,如果验收有问题就按 advisor 的反馈修复,修复完成后再让 advisor 验收,直到通过 advisor 的验收为止 可以配合 /goal 使用效果更佳 这样 Opus 在实施完成后就会找 Advisor 验收,通过 Advisor 就会给出反馈,然后 Opus 继续修改。 这样的好处就是整个过程你不需要人工去用 Fable 确认—— 以前我就是这么干的,Opus 执行完,我得回到之前 Fable 的会话去让它验收,或者新开一个会话,把文档发给 Fable 验收。 现在 Agent 自己就能形成闭环,不用你自己参与。 就好比你请了个高级顾问,复杂问题找顾问出方案,执行让你的工程师去按照方案执行,每次工程师做完自己去找顾问验收,顾问不仅验收还会告诉工程师哪里不对,然后工程师自己改,不用说每次做完找你,你再找顾问。

来源报道 · 2 篇 · 以下链接均前往原始媒体

← 返回精选动态 原文

更多内容