14-крокова дорожня карта, складена інженерами Anthropic, з трирівневою архітектурою та чотирирівневим накопиченням складних відсотків, розкладає, як побудувати систему самовдосконалення агента з поступовим накопиченням складних відсотків навколо Fable 5; вміст взято з інженерних статей та публічних експериментів команди. Експеримент Anthropic Continual Learning Bench показує, що Fable 5 з пам'яттю досягає 73% покриття верифікації.
Чотирирівнева структура складних відсотків: пошарова робота від рівня примітивів до рівня самовдосконалення
(Джерело: Anthropic Fable 5)
Згідно з каркасом статті, чотирирівневе накопичення складних відсотків будується знизу вгору, виходи кожного рівня проходять нагору через верхній рівень, де вони оцінюються, дистилюються, а потім записуються назад у рівень пам'яті:
· Layer 1 (Примітиви) містить сам Fable 5, підагенти, worktrees та інструменти; це рівень, який наразі використовує більшість користувачів;
· Layer 2 (Оркестрація) використовує /goal та Outcomes для циклів самокорекції, динамічні робочі процеси для багатокрокової оркестрації, Routines для довгострокового виконання в хмарі;
· Layer 3 (Пам'ять) включає файл стану (STATE.md), Skills, Knowledge Bases та дистильовані уроки;
· Layer 4 (Самовдосконалення) включає візуальну самоверифікацію, eval-цикли та дистиляцію правил; агент оцінює власні виходи, вдосконалює Skill, записує уроки назад у пам'ять, замикаючи цикл.
/goal та Outcomes: порівняння сценаріїв використання двох цілеорієнтованих циклів
Згідно з інженерними документами Anthropic, /goal (Claude Code) та Outcomes (Claude Managed Agents) мають однакову базову форму: незалежний оцінювач перевіряє роботу, позначка «не досягнуто» запускає наступну ітерацію, а цикл завершується, коли оцінювач проходить.
Правила вибору між ними такі:
/goal застосовний для локальних, сесійних завдань з вимірюваним кінцевим станом (наприклад, налагодження коду, доопрацювання одного файлу), використовує текстові цілі та модель-оцінювач;
Outcomes застосовний для завдань, які потребують роботи протягом годин або днів на хостинговій інфраструктурі Anthropic (наприклад, ML-навчання, тривала міграція), використовує файлові критерії оцінки, підагентів-оцінювачів, і має жорстку верхню межу max_iterations.
Ключовий структурний принцип, спільний для обох: агент, який пише код, не є агентом, який оцінює.
Експеримент Continual Learning Bench: покриття верифікації пам'яті Fable 5 становить 73%
Згідно з експериментом Anthropic Continual Learning Bench 1.0, п'ятиетапна прогресія пам'яті (Fail → Investigate → Verify → Distill → Consult) показує наступні відмінності у продуктивності на різних моделях:
Sonnet 4.6: виходить на 1-му етапі, пам'ять складається лише з нотаток про невдачі та нерозв'язаних здогадок, рідко переглядає попередні нотатки, пам'ять не накопичує складні відсотки
Opus 4.7: виходить на 3-му етапі, створює довідкові документи з позначками невизначеності, покриття верифікації становить 7-33% (медіана близько 17%)
Fable 5: схильний проходити всю п'ятиетапну прогресію, у найсильнішому виконанні покриття верифікації досягає 73% (22 з 30 завдань), і дистилює вивчене в загальні правила, застосовні до майбутніх завдань
Крім того, в експерименті Parameter Golf Fable 5 у поєднанні з незалежним верифікатором досліджував більші зміни архітектурного рівня та проходив крізь негативні проміжні результати, досягнувши приблизно в шість разів більше вдосконалень, ніж Opus 4.7.
П'ятиетапна прогресія пам'яті та структура файлу стану: п'ять структурних секцій STATE.md
Згідно з інженерними документами Anthropic, п'ять секцій файлу стану (STATE.md) відповідають п'яти етапам пам'яті: Verified facts (факти, щодо яких припинено здогади, вихід 3-го етапу), General rules (дистильовані правила, що виходять за межі конкретних випадків, вихід 4-го етапу), Open failures (поточна робота на 1-2 етапах), Lessons learned (більше виходів 4-го етапу), Last session (показник продовження 5-го етапу).
Дані Continual Learning Bench показують, що якщо на початку кожного робочого сеансу не читати STATE.md та пов'язані з ним Skills, навіть Fable 5 демонструє поведінку пам'яті на рівні Sonnet.
Skills зберігаються у ~/.claude/skills/, доступні між проєктами, є довгостроковим накопичувальним носієм процедурної пам'яті; кожен підтверджений урок слід записувати у Skill, а не лише у STATE.md.
Класифікатор безпеки Fable 5 та маршрутизація витрат: резерв Opus 4.8 для високоризикових сфер, витрати маршрутизуються за складністю завдання
Згідно з інженерними документами Anthropic, Fable 5 має вбудований класифікатор безпеки, який у сферах дослідження вразливостей безпеки, біології, хімії та дистиляції моделей відмовляється відповідати та автоматично резервує на Opus 4.8; його 319-сторінкова system card описує повний обсяг класифікатора, деякі деградації поведінки були виявлені глибоко в документах після запуску в червні 2026 року.
Фактичний патерн маршрутизації витрат, який використовують інженери Anthropic: Fable 5 виступає оркестратором (довгострокове планування на кілька днів, делегування підагентам, візуальна верифікація); Opus 4.8 обробляє складні, але обмежені підзавдання (архітектурні рішення, складне налагодження) та резервні сценарії, заблоковані класифікатором; Sonnet 4.6 виконує високооб'ємні робочі завдання (lint, простий рефакторинг, оновлення документації); Haiku 4.5 виступає підагентом-оцінювачем та дешевим класифікатором.
Поширені запитання
Чим відрізняється «самовдосконалення» Fable 5 від «самонавчання»?
Згідно з інженерними документами Anthropic, самонавчання означає, що модель оновлює власні ваги на основі вивченого; Fable 5 цього не робить, і жодна з публічно доступних моделей наразі не реалізує цю здатність у виробничому середовищі. Самовдосконалення означає, що система навколо моделі накопичує складні відсотки з кожним виконанням: пам'ять накопичує перевірені факти, Skills стають гострішими завдяки додаванню граничних випадків, eval-цикли шліфують підказки; сама модель не змінюється, але середовище її виконання стає гострішим.
Що таке Routines і коли вони з'являться?
Згідно з інженерними документами Anthropic, Routines — це збережені налаштування Claude Code (підказки, сховища, конектори, дозволи), які виконуються на хостинговій хмарній інфраструктурі Anthropic за певних умов тригеру, навіть якщо локальний комп'ютер вимкнений; Routines з'явилися 14 квітня 2026 року як дослідницький попередній перегляд і підтримують три типи тригерів: за розкладом, через API та події GitHub.
Чому підаґент-незалежний верифікатор кращий за самокритику?
Згідно з інженерним блогом інженера Anthropic Prithvi Rajasekaran та даними запуску Fable 5, коли модель оцінює власний вихід, вона бачить власні сліди міркувань і схиляється до висновків, що узгоджуються з раніше написаним; інший агент бачить лише вихід та критерії оцінки, не має зацікавленості в «грі» розробника, може досліджувати більший простір гіпотез і відновлюватися після негативних проміжних результатів.
