YT 学习笔记

Fable5实战 8个高杠杆prompt与3个微型创业方向

27分钟阅读下载 MD

封面

Greg Isenberg · 33:08 · 发布 2026-06-11 · 4871次观看(截至抓取) · 观看原视频

🔥 观众最高回放 31:09 — 三个微型创业方向讲完后观众最常回看,讲的是合同退款公司的 25% 节省分成 + 用 Fable 5 读几百份 vendor 合同的不可替代性。

主旨

在 Fable 5 仍含于多数订阅档的窗口期内,把它的能力投入”8 个可复用的 prompt 模板”(落地页锦标赛、采访式 spec、敌对公司体检、一页操作手册、缺席式扫描、谈判陪练、合同第二意见、自造工具)和 3 个高利润率微型创业方向,而不是把它当 ChatGPT 升级版随手用。

核心论点

  1. 多数人在 Fable 5 仍在订阅档的窗口里只做了”聊天”,而 Greg 给的 8 个 prompt 是”长跑 + 子 agent + 大上下文”才发挥得出来的玩法。(→ 详解1-9)
  2. “低 effort 即 alpha”:Fable 5 Low 档比 Opus 4.8 High 档更强,因此不是把 Fable 5 用得多就好,而是把 effort 档位路由对、ringfence High 档给真正需要的任务。(→ 详解1)
  3. “敌对公司体检”和”缺席式扫描”是两种 Greg 没有在网上见过的反用法——把 Subagent 的”先探索再答”能力反过来用,让模型去找”该有却没有”或”哪个攻击路径我自己能复现”。(→ 详解5、详解6)
  4. Fable 5 的 1M token 上下文让”把过去两年的笔记/邮件/对话喂给模型、产出自己的一页操作手册”成为低门槛动作,这件事任何有 Obsidian/邮件存档的人都能跑。(→ 详解5)
  5. 3 个 Fable 5 才解锁的微型创业方向(synthetic focus group / 48 小时定制软件 / 合同退款公司)的关键不在 prompt 本身,而在把 prompt 包装成客户愿意付钱的服务,以及”客户自己能跑但不会自己跑”的 funnel 差。(→ 详解10)

知识点详解

1. 配置 Fable 5 与内容引擎:为什么”99% 用错了”是结构性而非态度问题 00:00

Greg 开场断言”99% 的人把 Fable 5 用错了”——不是他们态度不对,而是玩法没对齐 01:09。他承认 Fable 5 当前仍在多数订阅档(所谓 honeymoon phase),但很快会按 token 计价,因此现在练手的窗口不会太长 31:37。

第一个例证是一位 Anthropic 员工用 Fable 5 自编产品发布视频:17 段拍摄、4 个场景,模型自己挑最佳镜头、拆 JSON、跑 FFmpeg 拼接、再做调色——成品”过去要花几十万美金” 02:4804:19。pipeline 的具体步骤是 prompt 让模型调 11 Labs 转录音频、用 Whisper Flow 去掉所有 “um”、让 Subagent 挑最佳镜头、生成 JSON、跑 FFmpeg 拼接到 Remotion 把静态帧重建成代码 04:16。Greg 的 takeaway:这种”agents 流水线出可上线视频”的工作流是 Fable 5 才解锁的——之前哪怕愿意花钱也凑不齐这套。

Greg 接着把同一思路搬到”内容引擎”:把 origin story / known for / ICP / framework / pillars 喂进”内容大脑”(他用 Obsidian),让 Fable 5 每周跑”扫描→选题→三条假设→测试→产素材”的循环 06:23。这套系统的关键不只是 prompt,而是 Fable 5 能在循环里持续跑几小时、读 chart、看图、校验自己的输出 06:57。对独立创作者来说,内容引擎不再是一次性的 ChatGPT 拼贴,而是能维护一个长跑、有自我反馈的内容产线。

Greg 引述 Morgan Linton 的 takeaway”low effort is the alpha”,并用一条推文佐证:Fable 5 Low 档比 Opus 4.8 High 档更强 07:3708:24。他建议用 Factory.ai 的 Droid 之类工具做 effort orchestrator:把例行任务自动路由到便宜档,Fable 5 High 档留给真正需要的时刻 07:59。这与 Effort Level 的 token 经济学完全同向——也是 Greg 在整期视频里反复强化的一条核心主张。

2. Prompt 1: 落地页文案锦标赛 08:42

Greg 第一个展示的 prompt 是落地页文案锦标赛。他从 ideabrowser.com 抓一个 ADU(后院小屋)项目,点名让 Fable 5 “以 8 种不同 hook 和结构写 8 份首页” 10:26。

Prompt 接着规定 5 个评委——一个怀疑的 CFO、一个午夜刷手机的分心创始人、一个竞品、一位理想客户、一位转化文案 10:34。每个评委给 8 份文稿打分、解释分数、杀掉差的、把胜出的合并出最终版,并展示 scoreboard 解释为什么赢 10:41。这种”多角色对抗式评审”与 Contrarian Agent 思路同源——单独问 Fable 5 哪个更好,得到的永远是”都还行”;换成 5 个敌对角色互相挑刺,输出质量立刻上一个量级。

整条流水线的本质是 Multi-Agent 设计模式 + 内部 Synthesizer:fan-out 出 8 份候选和 5 个评委,再用 随机共识 类机制 merge 出最终版 10:46。Greg 强调一个细节:种子输入不能是空 prompt——必须先准备”主题描述 + 目标客户 + 卖点”等输入,否则模型只会输出通用模板。

3. Prompt 2: 建造前的”采访式 spec” 13:18

Greg 反对”一 prompt 出 startup”的玩法——那种 prompt 出活外观漂亮,但 PMF 概率低 13:30。

他用的 prompt 是:“假装你是 Mark Zuckerberg / Sam Altman / Brian Chesky 这种拿过 PMF 的创始人。一次一个问题,最多 15 个,专门挖我没想到的。我答得模糊你就 push back。采访结束后写完整 spec,列出三种失败方式,再开始 build V1”。这套 prompt 把”单轮指令”逼成”对话式 spec”,与 Deep Research / Meta prompt 的”先把需求逼清”思路同源。

Greg 演示时说自己想做个”习惯提醒 widget”——模型直接怼回 15:07。当 Greg 答 15:52,模型回 16:10。这种 push-back 才是真正能筛掉虚浮需求的关键——也是为什么”假装是 Brian Chesky”这种 role 设定有效的根因。

采访跑下来,原本的”widget”被改成了”接入日历、能 SMS 推、签了 consequence 才发”——从抽象功能变成了可实施的产品 spec。模型最后输出 PRD 一份 + V1 架构选择(Python + FastAPI + APScheduler)+ 定价和 scope 边界 17:49。

4. Prompt 3: 雇 Fable 干掉你公司 18:34

Greg 的第三招是”反着用”——让 Fable 5 扮演”恨你的、有钱的创始人” 18:42。Prompt 喂入 P&L、定价页、turn 数据、最近 50 条 support ticket 18:58,让模型花一天时间”造一家能干掉你公司的公司”:真实 plan、positioning、pricing、抢你前 10 个客户、给每人的夺客邮件 19:01。

19:05——这句把模型从讨好型助手调成”敌对方研究员”。这种用法其实是把 Subagent 模式倒过来:让一个 hostile agent 帮你找出”哪条威胁是能自己执行的”,是公司体检里最便宜的入口。

Greg 在末尾点了两个隐藏机会:(1) 用同一思路看 churn data 和 support ticket——Fable 处理大 dataset 极强 19:27;(2) 用 Fable refactor 一份你低价买来的旧 SAS 19:46——这笔生意”花钱不多、改造后卖掉或自己赚现金流”是 2026 的隐藏玩法 19:56。

5. Prompt 4: 一页操作手册 20:18

Greg 的 prompt 是把过去两年的笔记、decision dock、post-mortem 都喂进去,让 Fable 5 找 pattern——“我选了、当时信什么、实际怎样” 20:2020:24。

模型找出”我系统性过于乐观/过于早/过于晚/坏决策前那句口头禅是什么”——然后产出”一份 COO 会偷偷留的 Greg 操作手册” 20:44。这种”我对自己做 Deep Research”用法的关键是 Fable 5 的 1M token 上下文窗口 20:53,一次性装下”多年的我”。

Greg 提醒:没旧笔记也无所谓——你一定有 email、有 SMS、有会议记录,喂进去找 pattern 同样能跑。output 是结构化的 PRD,能挂到 Claude Code 的 Memory 层或 Obsidian 里做长期提醒。

6. Prompt 5: 找出”该有却没有”的差距 21:20

Greg 强调这个 prompt 的”视角反转”:不是问”我现在做的事哪里不对”,而是”我该有但缺什么” 21:4221:47。

实际 prompt 是:“这是我的 analytics、内容日历、offer。不要告诉我哪里错,把时间花在’什么该有却没有’上——21:4421:57”。

这种”探索式扫描”非常吃 Subagent 的”先探索再答”能力——单 agent 默认会优先答你能问的部分,而子 agent 派出去能”扫一遍成功同行的做法”再回报。Greg 当天早上跑了这一套,已经拿到”一些真正有意思的洞见”。

7. Prompt 6: 谈判模拟器 22:06

Greg 承认过去用 Perplexity / ChatGPT “教我怎么回邮件”,但效果有限 22:10。Fable 5 的新玩法是直接让模型变成对手方——“你就是这个交易对手,这是我对你的了解、我的目标,模拟你的激励、你的 alternatives、你的压力。我们按 round 谈判,按对方真实反应回应(包括沉默或攻击)” 22:55。

关键附加条款:每个 round 结束后 break character,告诉我我刚免费送出了什么。这一句把”陪练”压成了”真实对手 + 复盘教练”——也堵住了 LLM 默认的讨好倾向。

这种 round-by-round + 复盘的双层设计,本质是把 Multi-Agent 设计模式 切成了”对手角色 + 旁观的复盘 agent”两个 agent 协作——和 Prompt 1 的”5 评委”思路同源。

8. Prompt 7: 80 页合同的第二意见 23:11

Fable 5 现在能读表、脚注、图 23:19——“that’s where the bodies are buried”,合同里最贵的几行永远藏在附表里 23:26。Box 的 Aaron Levy 也公开说过 Fable 5 的法律审稿输出”incredible”。

Greg 的 prompt 让模型产出三张清单:哪些隐藏成本你没看见、18 个月内你能拿回什么、该有但缺的保护条款 23:5824:01。再要 3 条具体改稿措辞,并 flag 出哪些点该真付律师看。

Greg 明确说自己不是建议”用 AI 做法律”,而是 (1) 律师费太贵 + 早期每块钱都要紧;(2) 即使你已经有律师,把合同扔进 Fable 5 让他 flag 几处再做沟通也省时间。

9. Prompt 8: 让 Fable 自造工具 24:56

Greg 称之为”the most meta one”——让 Fable 5 回头看自己过去一个月的请求,找出”重复出现的” 25:0825:17。然后让它”为每个重复请求 build 工具和 reusable instructions” 25:29。

Prompt 还要求:“基于我一直在让你做的事,什么应该交给你,但我还在当动物手工做” 25:2925:35。这种”自审 + 自造工具”的玩法本质是把 Subagent 模式用在了”元任务”上——让 agent 给你提需求,而不是反过来。

Greg 说自己 24 小时内跑完已经被自动化的部分”震惊”——这件事的时间收益远超”用 Fable 5 写一份新文档”。

10. 三个 Fable 5 才可能的微型创业方向 25:47

创业方向 1:Synthetic focus group firm。 DTC 品牌通常在投 5 万美元广告后才知道哪条不行 26:09。Greg 的建议:把 Prompt 1 的锦标赛封装成服务——50 个广告变体 + 来自品牌真实评论的 5-6 个 persona + 评分 → 卖 3000 美元/launch,成本 100 美元 token 26:3827:08。关键护城河不是模型(客户自己也能调),而是客户不会自己跑——机会在”用 funnel 引导它发生”。

创业方向 2:48 小时定制软件。 医美/承包商/诊所都在用 group tax / spreadsheets 跑业务,因为定制软件一年 8 万 28:35。Greg 建议卖 5000 美元/单 + 2 天交付——把 Prompt 2 的”采访式 spec”当销售电话,spec 在 Zoom 上自动写,模型自动 build 28:43。利润率极高(几百 token 成本),可以把营销费再投回 funnel。

创业方向 3:合同退款公司。 中型公司坐拥几百份 vendor 合同,没人读 30:26。让 Fable 5 读完所有合同 + 12 个月发票,找出自动续约、价差、闲置座位、可以挑战的涨价条款,按 dollars 排前 10,附邮件 + leverage 数字。收费 25% 节省额,找不到钱免费 30:28。这是观众最高回放的段落。

Greg 最后强调窗口期原因:(1) Fable 5 还在多数订阅档里,token 几乎免费;(2) 读表 + 写邮件这种”重处理”能力是 2026 才解锁的 31:23;(3) 客户”知道这事能做了”和”愿意外包”之间的认知差,是 18-24 个月套利窗口。

可执行步骤

  • 把手头任意 prompt 拆成”5 个敌对角色互评”,看输出是否立刻上一个量级。
  • 把过去两年笔记/邮件/对话扔进 Fable 5,跑”决策模式 + 一页操作手册”——任何有 Obsidian/邮箱存档的人当天就能做。
  • 任何对自己业务做”敌对公司体检”前,先把 P&L、定价页、churn data、最近 50 条 support ticket 准备好,prompt 原文见详解 4。
  • 重新评估手头合同:用 Prompt 7 让 Fable 5 读附表,至少 flag 3 个点再去和供应商谈。
  • 跑一次 Prompt 5(“该有却没有”扫描)看 3 个你没想到的营收线。
  • 如果要试 Greg 的三个创业方向,先在 funnel/获客通道上投时间,而不是在 prompt 工程上。

关联

  • 印证:Fable5 五个高杠杆用例 印证本篇详解 1 的”用 goal 长任务模式 + 自我审计是 Fable 5 不可替代的玩法”——那篇的”克隆软件 + 第二大脑 + 30 天会话自审”覆盖了本篇详解 1/详解 9 的子情形;两片合看 = Fable 5 高杠杆用法的清单。
  • 印证:让 Fable 5 便宜 80% 印证本篇详解 1 的”low effort is the alpha”——它给出 Deep Sweep 基准数字(Fable 5 Low 3.76 美元/60% 通过率,Opus 4.8 max 13 美元/59%),本篇把这条从”省 token”扩展到”任务路由”。
  • 互补:Fable 5 最后 24 小时 覆盖”窗口期如何花完最后 1 天额度”(Ultra Code 烧光),本篇覆盖”窗口期内该跑哪 8 个 prompt”——一边是”花光”,一边是”花对”。

一手来源与延伸

术语

  • Heatmap Peak(YouTube 数据,观众回放密度最高的秒数,本片 31:09 落在”合同退款公司 + 两个 bonus 创业方向”段)
  • Token-based API pricing(Fable 5 即将切换的按 token 计价方式,Greg 提示 6/22 前后生效)
  • Effort orchestrator(根据任务复杂度自动路由 effort 档位的工具,代表是 Factory.ai Droid)
  • Persona(本片指从品牌真实客户评论语言中提取的 5-6 类”敌对评论员”,用于打分广告而非仅评分)
  • Synthetic focus group(用品牌真实评论训练的”合成焦点小组”做广告预筛,3 个创业方向之一)
  • Consequence contract(详解 3 里”签了 consequence 才发短信”的产品 spec 一环)

金句

“this is the most powerful model that we’ve ever seen” 01:13 → Greg 反复在视频里强化”最强模型 + 几乎免费”的窗口,这是他录制整期的核心动机。 “we’re in this honeymoon phase where we uh you know, it’s included in a lot of our plans. Um that ends soon.” 31:37 → 提示窗口期随时结束——不是吓唬,而是 Greg 想让你把 8 个 prompt + 3 个创业方向当天就跑起来。 “I’ve seen some crazy examples on X of people oneshotting like a Monopoly game” 00:09 → 视频开头 Greg 用这条 X 上的爆款引出”99% 用错”——核心论点是”oneshot 是炫技,真正能用、能赚钱的是 8 个 prompt + 3 个 funnel”。

立场与利益

视频唯一的导流是 startup-ideas-pod.link/fable5-prompt-pack,描述里挂的付费 prompt 包——这是与”8 个 prompt 模板”主张直接相关的商业产品。

  • 与利益同向:详解 1 主张”Fable 5 几乎免费的窗口快结束”恰好是 hook 卖 prompt pack——但即便不付费,prompt 原文 Greg 在视频里念出来了,所以这条主张不依赖购买也能验证。整体”低 effort + 1M 上下文 + sub-agent 评审 + 一页操作手册”是 Fable 5 通用卖点,不是 Greg 的私货。
  • 利益中性:8 个 prompt 模板(锦标赛 / 采访式 spec / 敌对公司体检 / 一页操作手册 / 缺席式扫描 / 谈判陪练 / 合同第二意见 / 自造工具)都是可独立验证、不依赖 Greg 任何付费产品的通用方法。3 个创业方向(48 小时定制软件 / 合成焦点小组 / 合同退款公司)也都是模板化服务,prompt pack 不影响其可复现性。
  • 与利益反向(可信度最高):Greg 在详解 4 末尾明确点了”低价买旧 SAS 用 Fable refactor”这个玩法——这话不利于他卖 prompt pack(因为客户自己跑 prompt 就行,不需要他的产品),但他还是说了出来,反而增加了这段提示的可信度。
  • 利益证据:meta description 唯一商业链接是 prompt pack 落地页(Late Checkout / Vibe Marketer 主页是频道整体资源链接,与本片具体主张无直接因果)。

价值定位

适合已经能用 Claude Code 或 Fable 5 跑出基本工作、但对”如何把单轮对话升级成长跑/多 agent 评审/反用法体检”还没系统化思路的实操型用户;纯新手会觉得”8 个 prompt 模板”挑不出一个先做。

  • 适合谁:已经在用 Fable 5、想从”chat 模式”切换到”长跑 + 子 agent + 大上下文”的进阶用户;或者在 2026 早期找 startup 方向、被 Fable 5 拉平建造门槛吸引的 indie founder。
  • 解决什么:在 1 期视频里给 8 个具体 prompt 模板(可立即套到自己业务)和 3 个高利润率微型创业方向(可作为 funnel 雏形),不空谈”用 AI 赚钱”。
  • 认知 vs 实操:偏实操清单。8 个 prompt 模板都按”输入 / prompt 关键句 / 输出长什么样”格式给出,3 个创业方向都给了价格、成本、毛利结构。本片独有的是 Greg 把 prompt 用作”客户愿意付钱的服务”的 funnel 视角——这是其他 Fable 5 教程少见的角度,其他教程偏”如何用 Fable 5 写代码”,本片偏”如何用 Fable 5 包装成生意”。

自检问题

  1. Greg 用什么数据/例证支撑”99% 的人用错 Fable 5”这个开场断言? 答案:一位 Anthropic 员工用 Fable 5 自编 17 段拍摄 4 场景发布视频、用 Whisper Flow 去 um、用 sub agent 挑最佳镜头、FFmpeg + Remotion 拼接——这种”agent 流水线生产可上线视频”的工作流是 Fable 5 才解锁的,见”详解1:配置 Fable 5 与内容引擎”。04:16
  2. “低 effort is the alpha”具体指什么?Greg 的 effort 路由建议是什么? 答案:指 Fable 5 Low 档比 Opus 4.8 High 档更强;Greg 建议用 Factory.ai Droid 做 effort orchestrator,把例行任务自动路由到便宜档,Fable 5 High 档留给真正需要的时刻,见”详解1:配置 Fable 5 与内容引擎”。07:37
  3. 落地页锦标赛的 5 个评委分别是谁?为什么这种”多角色对抗式评审”比单轮对话强? 答案:怀疑的 CFO / 午夜刷手机的分心创始人 / 竞品 / 理想客户 / 转化文案;单独问 Fable 5 哪个更好得到的永远是”都还行”,换成 5 个敌对角色互相挑刺,输出质量上一个量级,见”详解2:Prompt 1 落地页文案锦标赛”。10:34
  4. Prompt 2 “采访式 spec”为什么用 Mark Zuckerberg / Sam Altman / Brian Chesky 作为 role? 答案:这些创始人拿过 PMF,role 设定让模型按 PMF 视角逼问模糊回答,真正能筛掉虚浮需求;具体看 Greg 演示时模型怼回”That’s half an answer”和”that’s a horoscope answer, Greg”,见”详解3:Prompt 2 建造前的采访式 spec”。15:07
  5. 三个 Fable 5 才可能的创业方向(synthetic focus group / 48 小时定制软件 / 合同退款公司)的关键护城河分别是什么? 答案:都是”客户自己能跑但不会自己跑”的 funnel 差,而不是 prompt 本身;合成焦点小组靠”用 funnel 引导发生”,48 小时软件靠”spec 在 Zoom 上自动写 + 利润率极高”,合同退款靠”找不到钱免费 + 25% 节省分成”,见”详解10:三个 Fable 5 才可能的微型创业方向”。26:38

关系图谱

反向链接