Anthropicวิศวกรจัดทำแผนที่เส้นทาง14ขั้นตอนโดยใช้สถาปัตยกรรมสามชั้นและการ堆疊แบบทบต้นสี่ชั้นเพื่ออธิบายวิธีสร้างระบบเอเจนต์ที่ปรับปรุงตัวเองแบบทบต้นตามFable5เนื้อหามาจากบทความวิศวกรรมและการทดลองสาธารณะของทีมการทดลองContinualLearningBenchของAnthropicแสดงให้เห็นว่าFable5ที่ติดตั้งหน่วยความจำมีอัตราความครอบคลุมในการตรวจสอบถึง73%##สถาปัตยกรรมการ堆疊แบบทบต้นสี่ชั้น:วิธีการทำงานทีละชั้นจากชั้นดั้งเดิมไปยังชั้นปรับปรุงตัวเอง

(ที่มา:AnthropicFable5)ตามกรอบของบทความการ堆疊แบบทบต้นสี่ชั้นถูกสร้างจากล่างขึ้นบนผลลัพธ์ของแต่ละชั้นจะไหลขึ้นไปยังชั้นบนสุดจากนั้นถูกให้คะแนนกลั่นกรองและเขียนกลับไปยังชั้นหน่วยความจำ:·ชั้น1(ดั้งเดิม)ประกอบด้วยFable5เองเอเจนต์ย่อยworktreesและเครื่องมือเป็นชั้นที่ผู้ใช้ส่วนใหญ่ใช้งานในปัจจุบัน·ชั้น2(การจัดเรียง)ใช้/goalและOutcomesสำหรับลูปการแก้ไขตัวเองการจัดเรียงหลายขั้นตอนด้วยเวิร์กโฟลว์แบบไดนามิกและRoutinesสำหรับการทำงานระยะยาวบนคลาวด์·ชั้น3(หน่วยความจำ)รวมถึงไฟล์สถานะ(STATE.md),Skills,KnowledgeBasesและบทเรียนที่ถูกกลั่นกรองแล้ว·ชั้น4(การปรับปรุงตัวเอง)รวมถึงการตรวจสอบตัวเองด้วยภาพลูปevalและการกลั่นกรองกฎเอเจนต์ให้คะแนนผลลัพธ์ของตัวเองปรับแต่งSkillและเขียนบทเรียนกลับไปยังหน่วยความจำทำให้ลูปปิดสมบูรณ์##/goalและOutcomes:การเปรียบเทียบสถานการณ์การใช้งานของลูปที่ขับเคลื่อนด้วยเป้าหมายสองแบบตามเอกสารวิศวกรรมของAnthropic/goal(ClaudeCode)และOutcomes(ClaudeManagedAgents)มีรูปร่างหลักร่วมกัน:ผู้ให้คะแนนอิสระตรวจสอบงานการตัดสินว่า"ไม่ผ่านเกณฑ์"จะเริ่มการวนซ้ำรอบถัดไปและลูปจะออกเมื่อผู้ให้คะแนนผ่านกฎการเลือกทั้งสองมีดังนี้:/goalใช้สำหรับงานที่ทำงานบนเครื่องท้องถิ่นภายในเซสชันและมีสถานะสิ้นสุดที่วัดได้(เช่นการดีบักโค้ดการปรับแต่งไฟล์เดียว)ใช้เป้าหมายแบบข้อความล้วนและผู้ให้คะแนนแบบโมเดลOutcomesใช้สำหรับงานที่ต้องทำงานข้ามชั่วโมงหรือข้ามวันบนโครงสร้างพื้นฐานที่โฮสต์โดยAnthropic(เช่นการฝึกMLการย้ายข้อมูลระยะยาว)ใช้เกณฑ์การให้คะแนนแบบไฟล์ผู้ให้คะแนนแบบเอเจนต์ย่อยและมีขีดจำกัดสูงสุดแบบตายตัว(max_iterations)หลักการโครงสร้างสำคัญที่ทั้งสองใช้ร่วมกัน:เอเจนต์ที่เขียนโค้ดไม่ใช่เอเจนต์ที่ให้คะแนน##การทดลองContinualLearningBench:Fable5มีอัตราความครอบคลุมการตรวจสอบหน่วยความจำ73%ตามการทดลองContinualLearningBench1.0ของAnthropicการ递進หน่วยความจำห้าขั้นตอน(Fail→Investigate→Verify→Distill→Consult)มีความแตกต่างของประสิทธิภาพในแต่ละโมเดลดังนี้:Sonnet4.6:ออกจากระบบในขั้นที่1หน่วยความจำเป็นเพียงบันทึกความล้มเหลวและการคาดเดาที่ยังไม่แก้ไขไม่ค่อยดูบันทึกก่อนหน้าหน่วยความจำไม่เกิดการทบต้นOpus4.7:ออกจากระบบในขั้นที่3สร้างเอกสารอ้างอิงพร้อมคำอธิบายความไม่แน่นอนอัตราความครอบคลุมการตรวจสอบ7-33%(ค่ามัธยฐานประมาณ17%)Fable5:มีแนวโน้มที่จะทำครบทั้งห้าขั้นตอนในการทำงานที่แข็งแกร่งที่สุดอัตราความครอบคลุมการตรวจสอบถึง73%(22จาก30ข้อ)และกลั่นกรองสิ่งที่เรียนรู้เป็นกฎทั่วไปที่สามารถนำไปใช้กับงานในอนาคตนอกจากนี้ในการทดลองParameterGolfFable5ร่วมกับผู้ตรวจสอบอิสระได้สำรวจการเปลี่ยนแปลงในระดับสถาปัตยกรรมที่ใหญ่ขึ้นและผ่านผลลัพธ์ระหว่างทางที่เป็นลบในที่สุดก็บรรลุการปรับปรุงจำนวนมากกว่าของOpus4.7ถึงประมาณหกเท่า##การ递進หน่วยความจำห้าขั้นตอนและสถาปัตยกรรมไฟล์สถานะ:ห้าส่วนโครงสร้างของSTATE.mdตามเอกสารวิศวกรรมของAnthropicห้าส่วนของไฟล์สถานะ(STATE.md)สอดคล้องกับห้าขั้นตอนหน่วยความจำ:Verifiedfacts(ข้อเท็จจริงที่หยุดการคาดเดาแล้วผลลัพธ์จากขั้นที่3),Generalrules(กฎที่ถูกกลั่นกรองเกินกว่ากรณีเฉพาะผลลัพธ์จากขั้นที่4),Openfailures(งานในขั้นที่1-2ที่กำลังดำเนินการ),Lessonslearned(ผลลัพธ์จากขั้นที่4เพิ่มเติม),Lastsession(ตัวบ่งชี้การดำเนินการต่อในขั้นที่5)ข้อมูลจากContinualLearningBenchแสดงให้เห็นว่าหากในแต่ละเซสชันไม่มีการอ่านSTATE.mdและSkillsที่เกี่ยวข้องตั้งแต่ต้นแม้แต่Fable5ก็จะแสดงพฤติกรรมหน่วยความจำระดับSonnetSkillsถูกเก็บไว้ที่~/.claude/skills/สามารถใช้งานข้ามโปรเจกต์ได้เป็นตัวสะสมหน่วยความจำขั้นตอนระยะยาวบทเรียนที่ได้รับการยืนยันทุกข้อควรถูกเขียนลงในSkillไม่ใช่แค่ในSTATE.mdเท่านั้น##ตัวจำแนกความปลอดภัยของFable5และการจัดเส้นทางต้นทุน:พื้นที่ความเสี่ยงสูงสำรองไปยังOpus4.8ต้นทุนถูกจัดเส้นทางตามความซับซ้อนของงานตามเอกสารวิศวกรรมของAnthropicFable5มีตัวจำแนกความปลอดภัยในตัวในด้านการวิจัยช่องโหว่ความปลอดภัยชีววิทยาเคมีและการกลั่นกรองโมเดลจะปฏิเสธการตอบสนองและสำรองไปยังOpus4.8โดยอัตโนมัติsystemcardจำนวน319หน้าได้บันทึกขอบเขตทั้งหมดของตัวจำแนกพฤติกรรมการลดระดับบางส่วนถูกค้นพบว่าฝังลึกอยู่ในเอกสารหลังจากเปิดตัวในเดือนมิถุนายน2026รูปแบบการจัดเส้นทางต้นทุนที่วิศวกรของAnthropicใช้จริงคือ:Fable5ทำหน้าที่เป็นผู้จัดเรียง(การวางแผนข้ามวันการมอบหมายเอเจนต์ย่อยการตรวจสอบด้วยภาพ);Opus4.8จัดการงานย่อยที่ยากแต่มีขอบเขต(การตัดสินใจด้านสถาปัตยกรรมการดีบักที่ซับซ้อน)และการสำรองที่ถูกบล็อกโดยตัวจำแนก;Sonnet4.6จัดการงานที่มีปริมาณมาก(lint,การปรับโครงสร้างอย่างง่าย,การอัปเดตเอกสาร);Haiku4.5ทำหน้าที่เป็นเอเจนต์ย่อยผู้ให้คะแนนและตัวจำแนกราคาถูก##คำถามที่พบบ่อย####**"การปรับปรุงตัวเอง"ของFable5แตกต่างจาก"การเรียนรู้ด้วยตัวเอง"อย่างไร?**ตามเอกสารวิศวกรรมของAnthropicการเรียนรู้ด้วยตัวเองหมายถึงโมเดลที่อัปเดตน้ำหนักของตัวเองตามสิ่งที่เรียนรู้Fable5ไม่ทำสิ่งนี้โมเดลที่เปิดให้สาธารณะใช้ในปัจจุบันยังไม่มีความสามารถนี้ในสภาพแวดล้อมการผลิตการปรับปรุงตัวเองหมายถึงระบบรอบๆโมเดลที่ทบต้นตามการทำงานแต่ละครั้ง:หน่วยความจำสะสมข้อเท็จจริงที่ตรวจสอบแล้วSkillsคมชัดขึ้นจากการเพิ่มเคสขอบลูปevalปรับแต่งพรอมต์ตัวโมเดลไม่เปลี่ยนแปลงแต่สภาพแวดล้อมการทำงานมีความคมชัดขึ้น####**Routinesคืออะไรและจะเปิดตัวเมื่อใด?**ตามเอกสารวิศวกรรมของAnthropicRoutinesคือการตั้งค่าClaudeCodeที่ถูกจัดเก็บ(พรอมต์,repository,ตัวเชื่อมต่อ,สิทธิ์)ที่ทำงานบนโครงสร้างพื้นฐานคลาวด์ที่โฮสต์โดยAnthropicเมื่อเงื่อนไขถูกกระตุ้นแม้ว่าเครื่องท้องถิ่นจะปิดก็ยังทำงานต่อRoutinesเปิดตัวในรูปแบบresearchpreviewเมื่อวันที่14เมษายน2026รองรับการกระตุ้นสามประเภท:การกระตุ้นตามกำหนดเวลา,การกระตุ้นผ่านAPIและการกระตุ้นผ่านเหตุการณ์GitHub####**ทำไมเอเจนต์ย่อยผู้ตรวจสอบอิสระถึงดีกว่าการวิจารณ์ตัวเอง?**ตามบทความบล็อกวิศวกรรมของPrithviRajasekaranวิศวกรของAnthropicและข้อมูลการเปิดตัวของFable5เมื่อโมเดลประเมินผลลัพธ์ของตัวเองโมเดลจะเห็นร่องรอยการใช้เหตุผลของตัวเองและมีแนวโน้มที่จะเห็นด้วยกับข้อสรุปที่เขียนไว้ก่อนหน้านี้เอเจนต์อีกตัวจะเห็นเฉพาะผลลัพธ์และเกณฑ์การให้คะแนนเท่านั้นผู้ตรวจสอบไม่มีส่วนได้เสียในเกมของผู้สร้างสามารถสำรวจพื้นที่สมมติฐานที่ใหญ่ขึ้นและฟื้นตัวจากผลลัพธ์ระหว่างทางที่เป็นลบ

news.article.disclaimer

news.related.news

16 ชั่วโมง ที่แล้ว

Anthropic ได้รับกำลังการผลิตดาต้าเซ็นเตอร์ 1.4 ล้าน kW ในออสเตรเลีย ด้วยมูลค่าสูงถึง 15 พันล้านดอลลาร์

21 ชั่วโมง ที่แล้ว

Anthropic วางแผนที่จะจัดหาความจุศูนย์ข้อมูลในออสเตรเลีย 1.4 ล้านกิโลวัตต์ มูลค่าสูงถึง 15 พันล้านดอลลาร์

07-04 21:16

คะแนนการดีบักของ Claude Fable 5 ลดลงจาก 86.2 เป็น 25.9 ในวันที่ 1 กรกฎาคม แต่ Arena.AI แสดงให้เห็นว่าประสิทธิภาพทรงตัว

btc.bar.articles

ผู้ร่วมก่อตั้ง Perplexity โต้แย้งว่าการรวมศูนย์อำนาจ AI สร้างความเสี่ยงด้านความปลอดภัย

Oliver Grant12 ชั่วโมง ที่แล้ว

ธนาคารแห่งเกาหลีและธนาคารโลกเผยแพร่คู่มือ AI สำหรับผู้จัดการสินทรัพย์สาธารณะ