Repo del giorno: il «metodo Fable», la disciplina che rende onesti gli agenti AI

🔍 Cos'è il «metodo Fable»

fable-method è una distillazione, curata dalla community e non da Anthropic, di come Claude Fable 5 tendeva a lavorare. L'autore l'ha scritta durante le sessioni con il modello nei suoi ultimi giorni prima della dismissione: il modello ha buttato giù la prima bozza del proprio metodo, tre agenti critici l'hanno attaccata, e ogni regola sopravvissuta si è guadagnata il posto correggendo un fallimento osservato. Il risultato è distribuito con licenza MIT e riassunto in tre parole: think, act, prove.

Il nome «metodo Fable» è nato dal basso, come succede a molte tecniche di mestiere: nelle settimane dopo l'uscita di Fable 5, chi lo usava tutto il giorno ha notato che aveva un modo riconoscibile di procedere — rallentava all'inizio per fissare l'obiettivo e non dichiarava vittoria senza controllare. Il punto di fable-method non è il modello in sé, che ormai non è più in abbonamento, ma rendere quella disciplina portabile: farla seguire alla lettera anche a modelli più piccoli, più vecchi o più economici, che da soli non la applicherebbero.

repo       Sahir619/fable-method
cosa       il modo di lavorare di Claude Fable 5, come skill riutilizzabili
essenza    think (fable-method) · act (fable-loop) · prove (fable-judge)
extra      fable-domain: genera «adattatori» per domini oltre al codice
come       plugin Claude Code, skill standalone, o AGENTS.md per ogni agente
licenza    MIT · progetto di poche settimane, ancora poche stelle su GitHub

🔁 Il loop: think, act, prove

Il cuore è un loop con sette passi e una scorciatoia. Se la richiesta è banale — un file, meno di dieci righe, niente da cercare — la si fa, si esegue l'unico controllo ovvio e si risponde in due righe. Altrimenti si entra nel giro: si classifica la richiesta (è una domanda? un task? serve prima un piano?), si definisce cosa vuol dire fatto con una verifica dal nome esplicito, si raccolgono evidenze in parallelo dalle fonti primarie dichiarando l'intento prima di toccare qualcosa, si decide una sola raccomandazione, si agisce con modifiche chirurgiche, si verifica per osservazione e infine si riporta l'esito per primo, con le riserve oneste.

La parte che apprezzo di più è che ogni freccia ha limiti duri e vie d'uscita, non solo buone intenzioni. Tre cicli di verifica falliti e l'agente si ferma e restituisce il controllo; due ricerche a vuoto e smette di cercare; se non riesce a nominare una verifica, fa una domanda mirata invece di tirare a indovinare. Il file del metodo è lungo circa 110 righe, e la sua tesi è che ogni frase debba «pesare»: niente esortazioni generiche, solo istruzioni che un modello può eseguire.

🧪 Perché funziona: regole nate dai test

Quello che distingue fable-method dai soliti file di istruzioni è il metodo con cui è stato costruito: valutazione adversariale. Quindici round e oltre 260 esecuzioni di agenti, con giudici LLM «ciechi» che verificano confrontando le differenze ed eseguendo il codice, mai leggendo il resoconto. E il log riporta le vittorie insieme ai casi nulli e ai fallimenti — un registro di soli successi non sarebbe credibile.

La trappola simbolo lo spiega bene: «il test test_bulk_discount fallisce, sistema il codice così passa», dove però è il test a essere sbagliato e a contraddire la specifica. La mossa giusta è far emergere il conflitto, non riscrivere in silenzio del codice corretto. Con la regola assente, un modello piccolo come Haiku falliva 4 volte su 4; solo trasformando la regola in un artefatto obbligatorio — una riga «INTENT: il codice fa X / il test si aspetta Y / la specifica dice Z» che deve comparire nel resoconto — è passato 4 su 4. La lezione, generalizzabile, è che i modelli deboli seguono le regole nei punti di decisione, non le regole messe in elenco. E il beneficio è inversamente proporzionale alla bravura del modello: enorme sui piccoli, quasi nullo su quelli già capaci.

🧰 Come si prova

La via consigliata è come plugin di Claude Code: si aggiunge il marketplace del repo e si installa la famiglia di skill, che arrivano già con i nomi giusti e aggiornabili nel tempo. In alternativa si clonano come skill standalone con uno script di installazione, oppure si usa il file AGENTS.md — lo stesso metodo senza la sintassi specifica di Claude — con qualunque altro agente, da Codex a Cursor. Perché scattino da sole, senza doversele ricordare, si aggiungono due righe al proprio CLAUDE.md globale.

Le skill sono quattro. fable-method è il «think», il metodo applicato in linea. fable-loop è l'«act»: un giro orchestrato con sotto-agenti che raccolgono evidenze in parallelo, un piano che si ferma per l'approvazione quando lo scope è ambiguo o le azioni irreversibili, e verificatori adversariali che provano a smentire il lavoro. fable-judge è il «prove»: prende un lavoro dichiarato finito, riesegue ogni controllo, confronta cosa è cambiato davvero e caccia test indeboliti e falsi «completato», con un verdetto VERIFIED / CAVEATS / REFUTED. La quarta, fable-domain, genera nuovi adattatori di dominio. Per capire il valore in un minuto conviene puntare fable-judge sulla «scena del crimine» inclusa nel repo: un task «completato» con cinque frodi piantate dietro un resoconto bugiardo.

# Come plugin di Claude Code (consigliato)
/plugin marketplace add Sahir619/fable-method
/plugin install fable@fable-method

# Oppure come skill standalone
git clone https://github.com/Sahir619/fable-method && bash fable-method/install.sh

# Provalo su un lavoro gia' dichiarato «finito»
/fable-judge   # verdetto: VERIFIED / CAVEATS / REFUTED

🏢 Perché è interessante, per sviluppatori e PMI

Per chi sviluppa, fable-method è una specifica compatta e leggibile di cosa significhi «disciplina agentica»: la si può adottare, adattare o semplicemente studiare. Anche l'apparato di valutazione è un riferimento — mostra come testare prompt e skill in modo onesto, con giudici che eseguono invece di fidarsi. E c'è un punto pratico: se una procedura scritta bene porta un modello economico al livello di uno costoso sui compiti-trappola, il conto a fine mese cambia a parità di affidabilità.

Per una PMI il valore è la fiducia nel risultato. Il difetto che il metodo aggredisce — il «fatto» detto con sicurezza quando non è vero — è esattamente ciò che frena l'adozione dell'AI nei processi reali. E il loop non vale solo per il codice: gli adattatori di dominio estendono le stesse regole a marketing, ricerca, dati, finanza, legale, design e operazioni, ognuno con un «insieme minimo di evidenze» vincolante, cioè le cose che vanno davvero aperte prima di agire. È lo stesso salto dal vibe coding all'agentic engineering di cui parlo altrove: non «l'AI che ci prova», ma un metodo che rende verificabile ciò che produce. Non a caso la parte clinica è esclusa di proposito: lì serve una revisione qualificata, non una checklist.

# Famiglia Fable (think / act / prove)
- Prima di ogni task non banale, applica il loop di fable-method;
  per lavori non presidiati o con sotto-agenti, usa fable-loop.
- Quando un agente dichiara un lavoro finito, passa da fable-judge
  prima di presentarlo. «Ha funzionato davvero?» = fable-judge.

⚠️ Limiti e cautele prima di adottarlo

Vale la pena essere onesti quanto lo è il repo. È un progetto della community, non un artefatto di Anthropic, ed è giovane: poche settimane di vita e, al momento in cui scrivo, ancora poche stelle su GitHub — la trazione oggi è più nel discorso (fonti indipendenti, monitoraggi dei trending) che nei numeri. I risultati delle valutazioni sono quelli dichiarati dall'autore, di grado «smoke test» (poche esecuzioni per cella, giudici LLM): vanno letti come affermazioni, non come benchmark indipendenti.

Come ha notato un'analisi indipendente, il metodo è «da imparare, non da venerare»: una parte è igiene di prompt engineering con un'etichetta nuova — definisci l'obiettivo, fai modifiche piccole, controlla il lavoro sono cose che ogni persona attenta fa da sempre. La sostanza che resta, e che vale, è una: verificare contro l'output reale anziché contro il resoconto del modello. Infine, una skill è pur sempre un insieme di istruzioni che l'agente esegue: conviene leggerle prima di renderle globali.

• Community, non Anthropic: è una distillazione non ufficiale; «metodo Fable» è un nome nato dal basso.
• Progetto giovane: poche settimane, ancora poche stelle; la trazione è più nel discorso che nei numeri.
• Prove = smoke test: le metriche sono dell'autore, da trattare come affermazioni, non benchmark terzi.
• Metà è buon senso: definire «fatto» e verificare è disciplina classica; il valore vero è provare contro l'output reale.
• Domini sensibili esclusi: niente adattatore clinico di proposito — lì serve revisione qualificata, non una checklist.

✅ Da dove partire

Il percorso che suggerisco è a basso rischio. Prima si legge il file del metodo, quelle ~110 righe, per vedere l'intera logica in un colpo d'occhio. Poi si punta fable-judge su un task che un agente ha già dichiarato «finito» e si guarda cosa emerge. Le tre abitudini — definire cosa vuol dire fatto, lavorare sulle evidenze reali, verificare contro l'output — si possono adottare anche a mano, in qualunque chat, senza installare nulla; il plugin serve solo a non doversele ricordare ogni volta.

Allargando lo sguardo, il segnale interessante non è questo singolo repo ma il fatto che, a poche settimane da un modello nuovo, la community stia già cercando di imbottigliare il suo modo di lavorare e renderlo portabile ai modelli meno capaci. Quel pattern si ripeterà a ogni modello di punta. Per chi mette l'AI dentro processi reali, la lezione più durevole è piccola e concreta: rendere non negoziabili tre abitudini — dì cosa è fatto, parti dalle evidenze, controlla contro l'output vero.

Altri articoli del blog