Padroneggiare Claude Fable 5: Come scrivere prompt individuando i propri punti ciechi

Mentre i modelli di IA si evolvono da semplici chatbot a sofisticati programmatori agentici, il collo di bottiglia della produttività si sta spostando dalla capacità del modello alla chiarezza dell'utente. Thariq Shihipar, sviluppatore di Anthropic, suggerisce che con l'arrivo di Claude Fable 5, il fattore limitante non è più l'intelligenza dell'IA, ma la capacità dell'utente di identificare i propri "ignoti".

I quattro quadranti della conoscenza nel prompting

Per padroneggiare Fable 5, Shihipar sostiene che gli sviluppatori debbano categorizzare la propria conoscenza per evitare le insidie di un prompting scadente. Egli suddivide i gap cognitivi in quattro categorie distinte:

• Known Knowns (Conosciuti noti): Le istruzioni esplicite e i dati già presenti nel prompt.
• Known Unknowns (Conosciuti ignoti): Domande specifiche o lacune di cui sei consapevole di non aver ancora risolto.
• Unknown Knowns (Ignoti conosciuti): Conoscenza intuitiva così ovvia che non penseresti di scriverla, ma che riconosceresti istantaneamente una volta vista.
• Unknown Unknowns (Ignoti ignoti): La categoria più pericolosa: elementi critici, casi limite (edge cases) o requisiti architettonici che non hai nemmeno considerato.

Quando gli utenti non tengono conto di questi elementi, cadono in una trappola: essere troppo specifici spinge Fable 5 a seguire le istruzioni rigidamente anche quando esiste un percorso migliore, mentre essere troppo vaghi porta il modello a fare affidamento su impostazioni predefinite del settore che potrebbero non adattarsi al compito specifico.

Tecniche strategiche per scoprire gli ignoti

Invece di passare direttamente all'implementazione, Shihipar raccomanda un "blindspot pass" (analisi dei punti ciechi). Ciò consiste nell'utilizzare Claude per sottoporre ad audit il proprio modello mentale prima di scrivere una singola riga di codice. Ad esempio, se si lavora in un codebase sconosciuto, è possibile chiedere a Claude: "Sto lavorando all'aggiunta di un nuovo provider di autenticazione, ma non so nulla dei moduli di autenticazione in questo codebase. Puoi fare un blindspot pass per aiutarmi a individuare i miei 'unknown unknowns' rilevanti?"

Altre tecniche ad alto impatto includono:

• Interviste strutturate: Chiedere a Claude di intervistarti domanda per domanda, dando priorità alle ambiguità che altererebbero fondamentalmente l'architettura del sistema.
• Prototipazione rapida: Utilizzare gli artifact HTML per far generare a Claude direzioni di design radicalmente diverse, permettendoti di reagire a "unknown knowns" visivi.
• Pianificazione dell'implementazione: Istruire Claude a creare un piano che dia priorità ai componenti volatili, come i modelli di dati e le interfacce dei tipi, prima di passare al refactoring meccanico.

Chiudere il cerchio: documentazione e verifica

Il processo di prompting non termina con la generazione del codice. Per gestire gli ignoti che emergono durante l'esecuzione, Shihipar suggerisce di utilizzare Claude Code per mantenere un file implementation-notes.md. Questo file traccia ogni decisione presa, garantendo che, se un compito dovesse andare storto, il ragionamento sottostante venga preservato.

Per garantire una comprensione completa prima di unire (merge) il codice, Shihipar impiega un metodo a "quiz". Claude genera un report HTML che dettaglia tutte le modifiche e le intuizioni, seguito da un quiz per lo sviluppatore. Egli mantiene una regola ferrea: non fare il merge del codice finché il quiz non viene superato senza errori. Ciò assicura che lo sviluppatore abbia spostato gli "ignoti" del progetto nel regno dei "noti".

Punti chiave

• Focus sugli "Unknown Unknowns": L'obiettivo del prompting avanzato con Fable 5 è utilizzare l'IA per rivelare ciò che non hai nemmeno pensato di chiedere.
• Evitare la trappola della specificità: Bilancia i tuoi prompt per evitare di essere così rigido da impedire all'IA di improvvisare, o così vago da spingerla verso soluzioni generiche predefinite.
• Implementare un workflow di verifica: Utilizzare note di implementazione, interviste strutturate e quiz post-implementazione per trasformare il codice generato dall'IA in conoscenza padroneggiata.