[한영자막] Anthropic Thariq Shihipar의 Fable 활용 가이드

한 줄 핵심

Fable 같은 새 모델은 더 큰 프롬프트를 넣는 방식보다 도구·컨텍스트·질문 루프를 다시 설계해 모델과 사람을 함께 '언호브'할 때 가장 큰 생산성 점프를 만든다.

시간별 요약

1. 0:08
   Fable는 단순한 성능 향상 모델이 아니라, 기존 작업 방식의 한계를 다시 생각하게 만드는 새 클래스의 모델로 제시된다. 이 영상은 Fable를 다루는 방법을 네 가지 축으로 정리하며, 핵심은 모델이 할 수 있는 것을 최대한 끌어내는 실전 가이드다.
2. 2:00
   모델은 고정된 도구가 아니라 성장하는 존재이므로, 이를 둘러싼 harness와 프롬프트가 모델의 실제 능력을 결정한다. 코드 실행, 검색, 질문 도구, Markdown·HTML 출력 같은 인터페이스가 강화될수록 모델은 스스로 컨텍스트를 만들고 더 복잡한 작업을 수행할 수 있다.
3. 9:02
   좋은 결과를 내려면 모델만이 아니라 사용자도 자신의 unknowns를 드러내야 하며, map과 territory의 차이를 먼저 정리해야 한다. blind spot pass, 브레인스토밍·프로토타입, 인터뷰, reference 제공, implementation notes, 퀴즈 같은 방식은 누락된 요구와 암묵적 기준을 찾는 데 효과적이다.
4. 14:00
   Fable를 쓰면 개발 속도는 크게 빨라지지만, 동시에 과거의 고통스러운 코딩 경험과 잃어버린 감각도 함께 떠오른다. 결국 중요한 것은 그 감정을 지나치지 않고, 계속 학습하며 루프 안에 머물러 더 큰 결과를 만드는 것이다.
5. 16:00
   이제는 trade-off를 당연한 전제로 받아들이기보다, 더 큰 목표를 세우고 실제로 더 많이 시도하는 태도가 필요하다. 빌드 속도는 쉬워졌지만 가치 창출은 여전히 어렵기 때문에, AI를 써서 더 빠르게 만들되 실제로 유의미한 결과를 내는 데 집중해야 한다.

실무 인사이트

• 새 모델을 쓸 때는 프롬프트를 길게 쓰는 것보다, 코드 실행·검색·질문 도구처럼 모델의 행동 범위를 넓히는 harness 설계가 성능을 더 크게 좌우한다.
• 요구사항을 한 번에 완성하려고 하기보다, blind spot pass와 인터뷰를 통해 unknowns를 먼저 줄이면 재작업과 오해를 크게 줄일 수 있다.
• AI 활용의 목표는 더 빨리 만드는 데서 끝나지 않고, 더 자주 시도해 실제 가치가 있는 결과를 찾는 데까지 확장되어야 한다.