哈哈！还真的延期了！Fable继续用！

为了赶在 7 月 7 日之前完成，我一口气测试了好多例子，主要是很多类型的游戏开发，我的一个感觉是，最好让 Fable 5 来设计游戏的核心引擎，把整个架构搭建起来，把核心难点攻克了，然后交给 Opus 4.8 来完善细节。

这个搭配还不错。之前的坦克大战 2026 就是这么做的！

今天刷推特，官方还专门讲起了类似的操作。我是手动完成，它这个是可以通过 API 机制自动完成，感觉可以学习和收藏一下！以后调用 API 或者做智能体的时候，可以省好多钱。

根据他们的测评，大概可以省一半的钱，达到 Fable 5 的 90%+ 多的效果。

我把官方的信息转过来，跟大家分享一下，然后也加强一下自己的记忆。

这是发布在官方开发者账号上的一个帖子：

分享了，他们在使用 Fable 5 中的两种模式！

一种是顾问，一种是协调器！

1、顾问模式

顾问模式是把 Fable 5 作为顾问，Sonnet 作为执行器调用 Fable 5，获取指导。

也就是大部分活还是 Sonnet 5 来干，如果它遇到啥难搞的问题，就是请教一下 Fable 5。

这种方式效果怎么样呢？官方有做过专门的测试的。

他们在专业的编程基准 SWE-bench Pro 进行了测试，最终结果是：

Sonnet 5 + Fable 5 顾问工具以约 63% 的价格获得了 Fable 5 分数的约 92%

整个过程大概是 Fable 5 每个任务仅被调用一次（约一次）来指导方向，而 Sonnet 5 执行者完成大部分工作。

实现这种方式的核心代码如下：

client = anthropic.Anthropic()response = client.beta.messages.create(    model="claude-sonnet-4-6",    max_tokens=4096,    betas=["advisor-tool-2026-03-01"],    tools=[        {            "type": "advisor_20260301",            "name": "advisor",            "model": "claude-opus-4-8",        }    ],    messages=[        {            "role": "user",            "content": "Build a concurrent worker pool in Go with graceful shutdown.",        }    ],)print(response)

这个主要是 Claude API 里的功能，它是在你调用 Messages API 时，在 tools 里配置一个 advisor，让一个“执行模型”中途请教另一个更强模型。

整个代码的执行逻辑大概是：

1. 你先把 advisor 加到 tools 里
2. 执行模型自己判断要不要调用
3. 执行模型发出 server_tool_use
4. Anthropic 服务端单独跑一次顾问模型
5. 顾问模型会看到完整上下文
6. Advisor 返回建议
7. 执行模型继续生成答案

整个过程通常只需要一次 API 请求，特殊情况：中途暂停，Advisor 本身不能用工具。

官方文档里还是 4.6 咨询 Opus 4.8，现在可以把 4.6 换成 Sonnet 5，把 4.8 换成 Fable 5，整个能力又上一个台阶了。

2、协调器模式

上面这种模式看起来已经比 solo 好多了，保持大部分能力的情况下，成本降低了很多。但是作为有追求的开发者，是永不满足的（直到把自己替代哈哈）。

然后就有了第二种策略：将 Fable 5 作为协调器

Fable 5 规划并委托给工作者（Sonnet 5），大多数令牌按较低的工作者费率计费。

这种方式就是“顾问”变成“项目经理”了。Fable 5 负责全局把握，Sonnet 负责执行。从结构上来说，应该这种方案效果会更好，会更省钱。

下面是官方的测试数据：

在 BrowseComp 上，我们测试了 Claude 托管代理，使用 Fable 5 协调器 + Sonnet 5 工作子代理。Fable 5 协调器以 46% 的价格实现了 Fable 5 性能的 96%。

分布情况如下：

果然，这种方案性价比更好。96% 的性能，46% 的价格！

实现这种方式的核心代码如下：

# 子Agentresearch_agent = client.beta.agents.create(    name="researcher",    model="claude-haiku-4-5",    mcp_servers=[        {            "type": "url",            "name": "github",            "url": "https://api.githubcopilot.com/mcp/"        },    ],    tools=[        {            "type": "mcp_toolset",            "mcp_server_name": "github"        }    ],)# 主控Agentcoordinator = client.beta.agents.create(    name="coordinator",    model="claude-opus-4-8",    tools=[        {            "type": "agent_toolset_20260401"        }    ],    multiagent={        "type": "coordinator",        "agents": [            {                "type": "agent",                "id": research_agent.id            }        ],    },)# 会话session = client.beta.sessions.create(    agent=coordinator.id,    environment_id=environment.id,    vault_ids=[vault.id],)print(session.id)

这个核心代码，其实就围绕 3 件事：

1. 创建几个子 Agent
2. 创建一个 Coordinator 主 Agent
3. 创建 Session，让主 Agent 去调度子 Agent

整体思路应该很清晰了，具体的代码，还是得看文档慢慢调，慢慢测试。我目前主要是使用 Claude Code，还没有到大量调用 Anthropic API 和 Agent 的阶段，先收藏学习，后面有空慢慢研究。

为了方便以后翻看，我把相关的几个文档都给找出来了。

官方文档：

https://platform.claude.com/docs/en/agents-and-tools/tool-use/advisor-tool

https://platform.claude.com/docs/en/managed-agents/multi-agent

https://github.com/anthropics/claude-cookbooks/blob/main/managed_agents/CMA_plan_big_execute_small.ipynb

我之前还让 Opus 4.8 给我做了一个中文版的 Claude 文档镜像站！

可以分享一波了：https://doc.jarvisuni.com/

几乎给我一模一样给扒下来了，目录结构和内容都是一致的，内容都是原版的，样式没有扒，但是看起来也还可以！

右上角还提供了一些辅助功能。

可以直接复制或者下载这个 MD 文档，也可以直接调用 Claude、ChatGPT 或者国内的 DeepSeek 来帮你解读这个文档。

收工，我要写代码搞项目去了！