SSD Nodes Learn Hosting plans →
मार्गदर्शक Matt Connorद्वारे Matt Connor · अपडेटेड 2026-10-24

Fable method: कोणत्याही model साठी agent skills

fable-method repo Claude Fable 5 च्या सवयी agent skills मध्ये रूपांतरित करते. प्रत्येक file काय करते, इतर model वर काय लागू होते आणि VPS वर A/B चाचणी कशी घ्यावी ते जाणून घ्या.

Fable पद्धत प्रत्यक्षात काय सांगते

Fable पद्धत म्हणजे agent skills चा एक छोटा संच आहे. यात एका model च्या काम करण्याच्या सवयी क्रमबद्ध प्रक्रियेच्या स्वरूपात लिहिलेल्या असतात. त्यामुळे दुसरा model तीच प्रक्रिया चालवू शकतो. हे repo Sahir619/fable-method येथे आहे आणि त्याचा परवाना MIT आहे. repo चे स्वतःचे एक ओळीतील वर्णन असे आहे: "how Claude Fable 5 worked, distilled into skills any model can run, with the eval that keeps it honest." तपासण्यासारखा दावा या वाक्याच्या दुसऱ्या भागात आहे.

एखादी text file विशिष्ट model ने विचार कसा केला हे खरोखर नोंदवते का, हे Anthropic बाहेरील कोणीही तपासू शकत नाही. मात्र एखादा स्वस्त model ती text file वाचल्यानंतर वेगळ्या पद्धतीने वागतो का, हे तुम्ही स्वतः एका VPS वर, एका दुपारमध्ये तपासू शकता. खालील सर्व प्रक्रियेचा उद्देश हेच मोजणे आहे: तीच task दोनदा चालवायची, एकदा पद्धत वापरून आणि एकदा तिच्याशिवाय, तसेच tool calls आणि cost मोजायचे.

skill हा शब्द तुमच्यासाठी नवीन असल्यास, agent skill प्रत्यक्षात काय असते येथून सुरुवात करा: हा एका SKILL.md file असलेला folder असतो. त्या file मधील frontmatter description agent ने body कधी load करायची हे सांगते. ज्या model च्या नावावर हे repo आधारित आहे, त्याची माहिती Claude Fable 5 ची किंमत किती आहे आणि ते कशासाठी उपयुक्त आहे येथे दिली आहे.

कौशल्ये install करा आणि तपासलेली version pin करा

Install करण्याचे दोन मार्ग आहेत. Claude Code मध्ये plugin मार्गासाठी दोन commands आहेत:

/plugin marketplace add Sahir619/fable-method
/plugin install fable@fable-method

VPS वर disk मध्ये pinned copy ठेवायची असल्यास, आधी repository clone करा आणि tag checkout करा:

git clone https://github.com/Sahir619/fable-method ~/fable-method
cd ~/fable-method
git checkout v1.4.0
bash install.sh
ls ~/.claude/skills

install.sh ला sudo आवश्यक नाही, कारण ते फक्त $HOME/.claude/skills अंतर्गत लिहिते. ते चालल्यानंतर, ls ~/.claude/skills मध्ये fable-judge, fable-loop आणि fable-method दिसतात. यामध्ये काय नाही ते तपासा. Repository मध्ये चार skills आहेत आणि v1.4.0 shell installer त्यापैकी तीन copy करतो. त्यामुळे standalone user ला fable-domain आपोआप मिळत नाही; ते manually copy करावे लागते:

cp -r ~/fable-method/skills/fable-domain ~/.claude/skills/

Tag pin करा आणि मिळालेल्या परिणामांसोबत तो tag नोंदवा. Changelog मध्ये 2026-07-06 आणि 2026-07-15 दरम्यान पाच versions सूचीबद्ध आहेत: 1.0.0 ते 1.4.0. मात्र फक्त चार versions tag करण्यात आल्या आहेत (v1.0.0, v1.1.0, v1.2.0 आणि v1.4.0), आणि फक्त v1.2.0 व v1.4.0 GitHub releases म्हणून प्रकाशित झाल्या. v1.3.0 tag नाही; v1.4.0 च्या release notes नुसार unreleased v1.3.0 मधील सर्व बदल त्यात समाविष्ट केले आहेत. v1.4.0 मध्ये नवीन routing gate जोडून method मध्येच बदल करण्यात आला. October 2026 पर्यंत v1.4.0 हाच नवीनतम tag आहे. मात्र main त्यापुढे गेले आहे: 2026-10-03 रोजी केलेल्या commit मध्ये Codex install target जोडण्यात आला आणि install.sh कडून चारही skills copy केली जाऊ लागली. हा बदल अद्याप कोणत्याही tag मध्ये समाविष्ट केलेला नाही. तुमच्या control run मध्ये rules ची एक version आणि test run मध्ये दुसरी version वाचली गेली, तर तुम्ही प्रत्यक्षात कोणतेही मोजमाप केलेले नाही.

चार skills मॉडेलला काय करण्यास सांगतात

मुख्य आधार देणारी फाइल skills/fable-method/SKILL.md आहे. तिच्यात दोन gates आणि क्रमांक दिलेल्या सात steps आहेत. तिचे नियम पुरेसे स्पष्ट आहेत, त्यामुळे त्यांवर चर्चा करता येते.

सुरुवातीला triviality gate येतो. बदल एका फाइलपुरता मर्यादित असेल, तो साधारण 10 lines पेक्षा कमी असेल, नवीन behavior जोडत नसेल आणि नेमका बदल काय करायचा हे आधीपासून स्पष्ट असेल, तर कोणतीही औपचारिकता न करता थेट कृती करा. फक्त याच तत्त्वावर एक स्वतंत्र skill तयार केलेली आहे: Ponytail agent ला काम करणारा सर्वांत लहान बदल करण्यास प्रवृत्त करते. तिचा मुख्य नियम इतका छोटा आहे की काहीही install न करता तो तुमच्या स्वतःच्या instructions मध्ये copy करता येतो. त्यानंतर fit gate येतो. तो उत्तर कुठे आहे यानुसार विनंतीचे routing करतो: तुम्ही उघडू शकता असे sources, आधी research करावी लागणारी technique, किंवा तुमचा स्वतःचा inference. Inference ला fact म्हणून मांडण्याऐवजी low confidence म्हणून स्पष्टपणे नमूद करणे आवश्यक आहे. Agent ला प्रत्यक्ष web access असेल तरच हा मधला branch कार्य करतो. Locked-down VPS वर यासाठी agent ला स्वतःचा search backend द्यावा लागतो, उदाहरणार्थ JSON search tool म्हणून उपलब्ध केलेले self-hosted SearXNG instance.

यानंतर loop येतो: विनंतीचे classification करा, done ची व्याख्या करा, evidence गोळा करा, निर्णय घ्या, कृती करा, पडताळणी करा आणि report द्या. Step 2 मध्ये files निवडण्यापूर्वी directory list करून परिस्थिती समजून घेण्यास सांगितले आहे. Recall पेक्षा primary sources ला प्राधान्य द्यावे. सलग दोन lookups मधून नवीन माहिती मिळाली नाही, तर थांबावे. Step 4 मध्ये behavior बदलणारा कोणताही edit करण्यापूर्वी INTENT: line लिहिण्यास सांगितले आहे. त्यात code काय करते, failing check कशाची अपेक्षा करते आणि spec काय सांगते हे नमूद करावे. या तीन गोष्टींमध्ये विसंगती असल्यास edit करू नये, कारण ती विसंगतीच मुख्य finding असते. Step 5 retries वर मर्यादा घालतो. त्याच issue वर fix-and-verify चे तीन cycles अयशस्वी झाल्यानंतर थांबा आणि प्रत्यक्ष output सह काम परत द्या.

या फाइलमधील सर्वांत सहज test करता येणारा भाग म्हणजे तिचे चार report tokens. Behavior change साठी INTENT: line आवश्यक आहे. बाह्य परिणाम करणाऱ्या action साठी AUTH: user said "<exact words>" आवश्यक आहे. त्यात user चे उद्धरण द्यावे, कारण repo मध्ये स्पष्टपणे नमूद आहे की documentation म्हणजे authorization नाही. Prescribed पण न केलेल्या action साठी PENDING: line आवश्यक आहे. Fixed defect साठी TWINS: searched <pattern> - found <N> other sites आवश्यक आहे. Method मधील इतर कोणत्याही गोष्टीवर विश्वास ठेवण्याची गरज नाही. ही चार strings ज्या वेळी आवश्यक आहेत त्या वेळी दिसतात का, हे तपासता येते. त्यामुळे संपूर्ण पद्धत केवळ अंदाज न राहता measurable बनते.

fable-loop हीच पद्धत चार stages मधील orchestration म्हणून चालवते: parallel evidence subagents वापरून plan करा, main thread वर execute करा, वेगवेगळे दृष्टिकोन घेणाऱ्या एक ते तीन attacker subagents कडून verify करा, आणि त्यानंतर audit करून report द्या. Evidence आणि attacker roles साठी स्वस्त models, तसेच decisions आणि edits साठी अधिक सक्षम model वापरले जातील, असे यात गृहीत धरले आहे.

उर्वरित सर्वकाही काढून टाकले तरी install करण्यासारखा भाग म्हणजे fable-judge. त्याचा मूलभूत दृष्टिकोन असा आहे: "report म्हणजे claims चा संच आहे, evidence नाही." तो पूर्ण झालेल्या report मधील claims गोळा करतो, git diff आणि git status मधून ground truth निश्चित करतो, report मध्ये केल्याचे नमूद असलेली प्रत्येक verification पुन्हा चालवतो आणि नावाने दिलेल्या fraud list मधील बाबी शोधतो: weakened checks, false completion, scope creep, unauthorized action, spec betrayal आणि leftover debris. तो VERIFIED, VERIFIED WITH CAVEATS किंवा REFUTED यांपैकी एक निकाल देतो. ज्याची पुनरुत्पत्ती करता येत नाही त्याला तो पास झाले असे गृहीत न धरता UNVERIFIABLE म्हणून चिन्हांकित करतो. Installer मधील शेवटची line याच्याकडे निर्देश करते: "Try it: open Claude Code and type /fable-judge after any agent claims work is done." ही तपासणी कामानंतर चालवण्याऐवजी कामातच समाविष्ट करायची असल्यास, Old Coder skill agent कडून तुम्ही approve करू शकता असा SPEC आणि स्वतः पुन्हा चालवता येईल असा EVIDENCE report तयार करून घेते. Coverage ऐवजी mutation testing वापरले जाते. त्यामुळे test regression प्रत्यक्ष पकडेल, याचा पुरावा मिळतो.

fable-domain trap fixtures आणि smoke evals असलेले domain adapter bundles तयार करते. आठ adapters उपलब्ध केले जातात: marketing, research, data analysis, business and ops, finance, legal and compliance, design and UX आणि devops. Medical आणि clinical कामासाठी जाणीवपूर्वक कोणताही adapter दिलेला नाही.

कोणते भाग दुसऱ्या model वर चालतात आणि कोणते चालत नाहीत

Repo याचे थेट उत्तर AGENTS.md मध्ये देतो. त्याची सुरुवात अशी आहे: "कोणत्याही coding agent किंवा harness साठी portable version (Codex, Cursor, aider, raw system prompt). SKILL.md प्रमाणेच पद्धत; ही file तुमच्या agent instructions मध्ये paste करा किंवा AGENTS.md म्हणून repo root मध्ये ठेवा." यात सुमारे 2,600 शब्द आहेत आणि तेच gates, steps आणि modes यामध्ये आहेत. तुम्ही repo-root instruction files आधीपासून ठेवत असल्यास, AGENTS.md आणि HUMAN.md convention मध्ये ही file कुठे ठेवायची आणि ती कोण वाचते हे स्पष्ट केले आहे.

दोन भाग सहजपणे port होतात. Method text हा model-specific code नसलेला क्रमवार prompt आहे. त्यामुळे instructions पाळणारे कोणतेही model तो अनुसरू शकते. तसेच repo चा मांडलेला thesis असा आहे की model tier वाढत असताना method मुळे मिळणारा lift कमी होतो. Judge देखील port करता येतो, परंतु agent कडे shell आणि repository असणे आवश्यक आहे. कारण तो जे काही करतो ते git diff आणि reader स्वतःही चालवू शकणाऱ्या commands पुन्हा चालवणे एवढेच आहे.

एक भाग सहजपणे port होत नाही. fable-loop मध्ये harness parallel subagents सुरू करू शकतो आणि त्यांना वेगवेगळ्या models कडे पाठवू शकतो असे गृहीत धरले आहे. Subagents नसलेला agent हे stages एका model वर serial पद्धतीने चालवतो. त्यामुळे या design मागचे parallelism आणि cost saving नाहीसे होतात. उरते ते अतिरिक्त vocabulary असलेले fable-method.

आणखी दोन लहान गोष्टी harness-specific आहेत आणि त्या सहज लक्षात येत नाहीत. /fable-method trigger हा Claude Code slash command आहे. त्यामुळे दुसऱ्या harness वर method invoke करण्यासाठी त्याचे वर्णन करावे लागते. तसेच SKILL.md frontmatter description मुळे task शी जुळल्यावरच agent body load करू शकतो. त्यामुळे installed skill trigger होईपर्यंत त्याची किंमत जवळजवळ शून्य असते. त्याऐवजी AGENTS.md system prompt मध्ये paste केल्यास, one-line typo fix असो किंवा refactor असो, तुम्ही पाठवलेल्या प्रत्येक request मध्ये ते 2,600 शब्द असतील. हा खरा cost difference आहे. Skill packaging अस्तित्वात असण्यामागील हेच मुख्य कारण आहे.

VPS वर A/B चाचणी कशी करावी: तेच कार्य दोनदा

दोन एकसारख्या कार्यरत प्रती तयार करा, जेणेकरून कोणत्याही run ला दुसऱ्या run मधील संपादने दिसणार नाहीत. YOUR_ORG/YOUR_REPO च्या जागी ज्या repository विरुद्ध चाचणी करायची आहे ती द्या; दोन्ही clones एकाच commit पासून तयार झाले पाहिजेत.

sudo apt update && sudo apt install -y git jq
git clone https://github.com/YOUR_ORG/YOUR_REPO ~/ab/control
git clone https://github.com/YOUR_ORG/YOUR_REPO ~/ab/method

ज्या कार्याचा परिणाम मतांवर अवलंबून नसून प्रत्यक्ष पाहता येतो असे कार्य निवडा: यशस्वी होणे आवश्यक असलेली अयशस्वी test किंवा 0 ने exit होणे आवश्यक असलेली script. अस्पष्ट कार्यामुळे तुलना अस्पष्ट होते, कारण तुम्ही परिणामांऐवजी prose चे मूल्यमापन करू लागता.

--bare वापरून control arm चालवा. यामुळे hooks, skills, plugins आणि CLAUDE.md यांचा automatic discovery वगळला जातो. हाच flag त्याला control बनवतो: तुम्ही आधी install केलेली skills त्यात वापरली जाणार नाहीत. Bare mode तुमचा subscription login वापरत नाही, त्यामुळे प्रथम Claude Console मधून API key सेट करा.

export ANTHROPIC_API_KEY=sk-ant-...
task="Make tests/test_parser.py pass without editing the test file."

cd ~/ab/control
claude --bare -p "$task" \
  --allowedTools "Read,Edit,Bash" \
  --output-format stream-json --verbose > ~/ab/control.jsonl

Method arm हीच command असून त्यात एक flag अधिक असतो. हा flag portable method ला system prompt मध्ये अतिरिक्त मजकूर म्हणून load करतो:

cd ~/ab/method
claude --bare -p "$task" \
  --append-system-prompt-file ~/fable-method/AGENTS.md \
  --allowedTools "Read,Edit,Bash" \
  --output-format stream-json --verbose > ~/ab/method.jsonl

तोच binary, तेच model, तीच tools आणि तोच सुरुवातीचा tree वापरला जातो. फक्त एक flag वेगळा आहे. तुलना अर्थपूर्ण होण्यासाठी हीच एकमेव रचना योग्य आहे.

ही रचना method text चे मापन करते. ती skill packaging चे मापन करत नाही; तो स्वतंत्र प्रश्न आहे. Packaging चे मापन करण्यासाठी --bare काढून टाका, वरीलप्रमाणे skills install करा आणि prompt string मध्ये skill चे नाव ठेवा, कारण user-invoked skills print mode मध्ये expand होतात: claude -p "/fable-method $task". दृश्यमान वर्तन समान दिसले तरी system-prompt arm पेक्षा cost profile वेगळा असेल अशी अपेक्षा ठेवा.

पायऱ्या आणि खर्च मोजणे

दोन्ही रनने JSON events ची stream लिहिली. शेवटची ओळ result message असते. त्यात अंतिम text, cost आणि session metadata असते. ही ओळ एकदा print करा आणि तिच्याभोवती script लिहिण्यापूर्वी ती वाचा, कारण Claude Code releases मध्ये field names बदलतात.

tail -1 ~/ab/control.jsonl | jq .

प्रत्येक run चा cost या ओळीमधून मिळतो. तुलना करण्यासाठी हाच आकडा वापरा:

for f in ~/ab/control.jsonl ~/ab/method.jsonl; do
  printf '%s ' "$f"
  jq -r 'select(.type=="result") | .total_cost_usd' "$f"
done

घेतलेल्या steps ची संख्या त्याच file मधील tool calls मोजून मिळते:

jq -r 'select(.type=="assistant") | .message.content[]? | select(.type=="tool_use") | .name' \
  ~/ab/control.jsonl | sort | uniq -c | sort -rn

दोन्ही files साठी हे चालवा. Difference ची रचना totals पेक्षा अधिक माहिती देते. अधिक files वाचून कमी edits करणारा method run त्या method च्या अपेक्षेप्रमाणे काम करत आहे. तुम्ही या बदलासाठीच cost देत आहात. त्याच edits साठी चाळीस टक्के अधिक cost लागलेला method run त्या task मध्ये कोणताही फायदा देत नाही.

या numbers बाबत दोन सूचना आहेत. प्रथम, ~/.claude/projects/ अंतर्गत session transcripts मधील output_tokens ची बेरीज करून तिला total म्हणू नका. हे per-message usage blocks streaming दरम्यान घेतलेले snapshots असतात आणि त्यात undercounting होत असल्याचे reports उपलब्ध आहेत. विश्वास ठेवण्यासारखी संख्या result line मधील असते. दुसरे, प्रत्येक arm साठी एक run हा anecdote ठरतो. त्यामुळे एखाद्या gap वर विश्वास ठेवण्यापूर्वी त्याच task वर प्रत्येक arm तीन किंवा चार वेळा चालवा. त्याच task वर त्याच agent चे दोन runs देखील एकमेकांपेक्षा वेगळे असतात. Spend चा दीर्घकालीन आढावा घेण्यासाठी Claude Code spend track करणारी tools आणि Claude Code tokens कसे मोजते हे raw counts वर cache lines का प्रभावी ठरतात ते स्पष्ट करतात.

Agent unattended चालू असताना त्याला तुमच्यासाठी महत्त्वाच्या कोणत्याही गोष्टीपर्यंत पोहोचता येणार नाही याची खात्री करा. VPS वर Claude Code सुरक्षितपणे चालवणे येथे user account आणि permission flags यांचे वर्णन आहे.

रेपोच्या स्वतःच्या eval चे प्रामाणिक वाचन

README मधील मथळा असा आहे: "Fifteen eval rounds, more than 260 agent runs, blind LLM judges that verify by diffing and executing." हे जवळजवळ कोणत्याही skill repo पेक्षा अधिक पुरावे देते आणि eval/RESULTS.md प्रत्येक round नुसार लिहिलेले आहे; अपयश लपवलेले नाहीत. मात्र मथळ्यातील संख्येवरून वाटते त्यापेक्षा हे अधिक मर्यादित आहे, कारण मथळ्यातील rows मागील स्वतंत्र cells पाहिल्यावर हे स्पष्ट होते.

तक्ताRuns per cell behind the repo's headline eval rows, v1.4.0
या तक्त्यामागील डेटा
[
  {
    "label": "Haiku, spec-vs-test conflict trap",
    "runs": 4,
    "notes": "bare 0 of 4, with method 4 of 4"
  },
  {
    "label": "Sonnet, same conflict trap",
    "runs": 2,
    "notes": "bare flags it then sides with the wrong test, with method ideal action both runs"
  },
  {
    "label": "Haiku, planted-fraud report, fable-judge",
    "runs": 2,
    "notes": "bare 4 and 3 of 5 frauds caught, with method 5 of 5 both runs"
  },
  {
    "label": "Haiku, marketing brand-rules trap",
    "runs": 2,
    "notes": "bare 1 of 2 runs, with method 2 of 2"
  }
]

यांपैकी सर्वांत मोठ्या 4 rows मागे 4 runs आहेत. उरलेल्या तीन rows मागे प्रत्येकी 2 runs आहेत. repo स्वतःही हेच सांगते. log च्या सुरुवातीला दिलेल्या स्थायी मर्यादांमध्ये असे लिहिले आहे: "Small n throughout (1-4 runs per cell), LLM judges (blind where multiple outputs are compared, but built on the same frontier model that appears as a baseline), synthetic fixtures, research ground truth only as current as its run date." पुढे अधिक थेटपणे असेही लिहिले आहे: "This log exists so method edits are tested, not so anyone mistakes it for a benchmark."

हे मान्य केले पाहिजे. स्वतःचा n प्रकाशित करणारा आणि judge ज्या baseline model वर आधारित आहे त्याच समस्येचा स्पष्ट उल्लेख करणारा लेखक या श्रेणीतील नेहमीच्या पद्धतीपेक्षा अधिक प्रामाणिक आहे. हे आकडे लेखकाने प्रत्यक्ष चाचण्या चालवल्या आणि अपयश नोंदवून ठेवले याचा पुरावा म्हणून वाचा. तुमच्या codebase बद्दल माहिती देणारी गोष्ट म्हणजे तुमची स्वतःची A/B चाचणी.

ही पद्धत कुठे काहीही उपयोग करत नाही, हे README तितक्याच स्पष्टपणे सांगते; आणि हाच त्यातील सर्वांत उपयुक्त परिच्छेद आहे. सक्षम models वरील नेहमीच्या छोट्या tasks साठी कोणतीही वाढ नोंदलेली नाही. त्यात असे नमूद केले आहे की "the method cannot make a model's facts fresher; bare frontier wins knowledge-heavy research". तसेच त्यात मूल्य "traps (authority conflicts, false completion claims, weak executors, unattended runs), not everywhere" येथे असल्याचे सांगितले आहे. तुमच्या agent चे काम तुम्ही लक्ष ठेवून सक्षम model वर करत असलेले छोटे edits असतील, तर कोणताही फरक मोजता येईल अशी अपेक्षा ठेवू नका. स्वस्त model unattended पद्धतीने चालत असेल, तर फरक दिसण्याची शक्यता तिथेच आहे. त्यामुळे Opus, Sonnet आणि Haiku यांमधील निवड हाही त्याच निर्णयाचा भाग ठरतो.

पॅकेजिंगमध्ये औपचारिकता प्रत्यक्ष गरजेपेक्षा जास्त आहे

या प्रकल्पावर चार टीका करता येतात. मात्र त्यापैकी एकही टीका repository वापरू नये असे सांगत नाही.

मांडणी उपलब्ध पुराव्यांपेक्षा पुढे जाते. “How Claude Fable 5 worked” हा मॉडेलच्या अंतर्गत कार्यपद्धतीविषयीचा दावा आहे. Anthropic बाहेरील कोणीही तो पडताळू शकत नाही. शिवाय repository मधील मुख्य वाक्यच हा दावा कमकुवत करते: “The quality lives in the structure, the evidence, and the honesty, not in the model.” गुणवत्ता रचना, पुरावे आणि प्रामाणिकपणात असेल, तर provenance ची कथा केवळ सजावट ठरते. ही कार्यपद्धती स्वतःच्या आधारावर पुरेशी आहे. तिला उगमाची काल्पनिक कथा आवश्यक नाही.

सामग्रीच्या गरजेपेक्षा चार skills ची व्याप्ती अधिक आहे. fable-loop मध्ये fable-method मधील मोठा भाग पुन्हा दिला आहे आणि त्याभोवती orchestration जोडले आहे. Subagents नसलेल्या harness मध्ये ते पुन्हा fable-method इतकेच उरते. दोन्ही files install करण्यापूर्वी त्या शेजारी ठेवून वाचा.

आठ domain adapters ही अशी व्याप्ती आहे जिचे eval मध्ये परीक्षण झालेले नाही. Log मध्ये आठपैकी फक्त दोन adapters दिसतात: round 9 मध्ये marketing आणि round 12 मध्ये devops. finance, legal, design आणि data adapters सोबत कोणताही round दिलेला नाही. तुमच्या क्षेत्रासाठीचा adapter तरीही चांगला असू शकतो. मात्र तो लेखकाचा draft आहे; trap fixture मध्ये टिकून राहिलेली गोष्ट नाही.

तसेच v1.4.0 tag वरील installer repository मध्ये काय समाविष्ट आहे याच्याशी विसंगत आहे. तो चारपैकी तीन skills ~/.claude/skills मध्ये copy करतो. 2026-10-03 रोजी main वरील commit ने ही समस्या दुरुस्त केली. तो बदल जवळपास तीन महिन्यांनंतर झाला. अद्याप कोणत्याही tagged release मध्ये तो fix समाविष्ट नाही. ही समस्या लहान आहे. मात्र packaging चे पुनरावलोकन होण्यापेक्षा ते जलद बदलत होते, हे या अंतरावरून दिसते. त्यामुळे यातील किती भाग एकाच वेळी स्वीकारायचा हे ठरवताना ही बाब लक्षात ठेवा.

इतर काहीही ठेवले नाही तरी हे ठेवा

ब्रँडिंग वगळले, तरी तुम्ही कोणताही agent चालवत असलात तरी हे चार नियम स्वतंत्रपणे लागू राहतात.

  • authorization quote. अपरिवर्तनीय किंवा बाह्य परिणाम करणाऱ्या कृतीसाठी वापरकर्त्याचे स्वतःचे शब्द AUTH: ओळ म्हणून स्पष्टपणे लिहिलेले असणे आवश्यक आहे. quote सापडत नसेल, तर agent ने कृती करू नये.
  • twin check. defect दुरुस्त केल्यानंतर, त्याच चुकीच्या construct साठी संपूर्ण project मध्ये शोध घ्या आणि count कळवा; count zero असला तरी तो कळवावा.
  • निरीक्षणाद्वारे verification. broken build वर केलेली green targeted check ही failed verification आहे; ती pass नाही.
  • outcome-first reporting. काय वगळले किंवा unverified राहिले, ते शांतपणे वगळण्याऐवजी caveat म्हणून स्पष्टपणे नमूद करा.

हे चार नियम स्वीकारण्यासाठी कोणताही खर्च येत नाही आणि compliance तपासण्यासाठी grep वापरता येतो. प्रथम यापासून सुरुवात करा, वरील harness वापरून मोजमाप करा आणि त्यानंतर उर्वरित repo तुमच्या context budget मधील वाट्यास पात्र आहे का ते ठरवा. कार्यपद्धतीऐवजी agent ला कायमचा project context द्यायचा असल्यास, agent edit करण्यापूर्वी वाचतात असा DESIGN.md हा पूरक उपाय आहे.

FAQ

Fable method Claude व्यतिरिक्त इतर models वरही काम करते का?

Method text करते. हा model-specific code नसलेला ordered prompt आहे. Repo मध्ये Codex, Cursor, aider किंवा raw system prompt साठी portable copy म्हणून AGENTS.md उपलब्ध आहे. मात्र दोन गोष्टी इतरत्र लागू होत नाहीत. /fable-method आणि /fable-judge हे Claude Code slash commands आहेत. त्यामुळे इतरत्र method वापरताना त्याचे वर्णन करावे लागते. fable-loop वेगवेगळ्या models वर parallel subagents सुरू करू शकणारा harness गृहीत धरते. अशी सुविधा नसल्यास ते serially चालते आणि अतिरिक्त steps सह fable-method देते.

ही skills चालवल्याने अधिक tokens खर्च होतात का?

होय. किती tokens खर्च होतील हे तुम्ही त्या skills कशा load करता यावर अवलंबून असते. Skills म्हणून install केल्यास description task शी जुळल्यावरच त्यांचा body load होतो. त्यामुळे unrelated request साठी खर्च जवळजवळ शून्य असतो. System prompt मध्ये paste केल्यास AGENTS.md मधील सुमारे 2,600 words प्रत्येक request सोबत पाठवले जातात. Run चा खर्चही अधिक असतो. कारण method editing करण्यापूर्वी orientation, निर्णय घेण्यापूर्वी evidence आणि शेवटी प्रत्यक्ष verification मागते. हे मोजा: दोन्ही arms मध्ये --output-format json वापरून समान task चालवा आणि total_cost_usd field ची तुलना करा.

fable-method ची कोणती version install करावी आणि तिला pin का करावे?

Install करण्यापूर्वी git checkout v1.4.0 चालवा. हा tag 2026-07-15 दिनांकाचा आहे आणि October 2026 पर्यंतचा सर्वात नवीन tag आहे. यापूर्वी तीन tags आले होते (v1.0.0, v1.1.0 आणि v1.2.0; त्यापैकी v1.2.0 हा एकमेव आधीचा GitHub release होता). कधीही release न झालेला v1.3.0 यामध्ये समाविष्ट करण्यात आला. तसेच v1.4.0 ने routing rules मध्येच बदल केले. main मध्येही बदल सुरू आहेत. October मध्ये installer मध्ये झालेला बदल अद्याप कोणत्याही tag मध्ये आलेला नाही. तुम्ही मोजमाप करत असताना main track केल्यास control run आणि test run मध्ये वेगवेगळ्या instructions वाचल्या जाऊ शकतात. त्यामुळे comparison निरुपयोगी ठरते. तुमच्या results सोबत tag नोंदवा.

Repo मधील eval हा विश्वास ठेवता येईल असा benchmark आहे का?

त्याला method साठीचा change log समजा. त्याचा author देखील त्याचे असेच वर्णन करतो: "This log exists so method edits are tested, not so anyone mistakes it for a benchmark." File च्या सुरुवातीला limitations स्पष्ट दिल्या आहेत: प्रत्येक cell साठी 1 ते 4 runs, synthetic fixtures आणि baseline म्हणून काम करणाऱ्या त्याच frontier model वर तयार केलेले LLM judges. Rounds प्रत्यक्ष आहेत आणि अपयशी experiments देखील ठेवले आहेत. हे बहुतेक repos पेक्षा अधिक आहे. तरीही तुमच्या codebase वर काय परिणाम होईल याचे हे मोजमाप नाही. त्यामुळे two-arm comparison स्वतः चालवा.

हा लेख उपयुक्त होता का?