笔记
0工具
0此页用于记录用户反馈问题后的每一次改进
关于
“写笔记”支持四种格式——Word 文档、Excel 表格、Markdown、纯文本，起稿或二次编辑时都能随时切换，同一篇笔记想用哪种形态来记，都由你说了算。
md、txt、csv、json 这类纯文本则原样载入，不做多余加工。拿一张现成的表倒进来、改几笔、再导出去，等于白用一台免费的格式转换器。
要带走就在右上角点“下载”，可导出 PDF、Word、Markdown、Excel、TXT 等格式；列表卡片“⋯”菜单里，也有同样的下载入口。
在“工具”页点“＋ 上传工具”即可发布：填好名称与链接，再用 Markdown 把使用方法写清楚——能解决什么问题、怎么装、怎么用，比堆介绍实在。
要分发安装包就一并上传压缩包（ZIP、RAR、7Z、TAR.GZ，最大 35MB），别人在详情页一键下载；只放链接不带附件也可以。
工具按大家的收藏热度排序，好用的自然会被顶上来。发布后可在详情页或卡片菜单里编辑、下架。
写笔记时勾上“隐藏”，这篇就只存在于你自己的账号里：不进列表、不进搜索、不上首页精选，也不会出现在任何公开的页面，链接发给别人同样打不开。
适合放密码、草稿、日记这类只给自己看的内容；想公开，去“发布”打开它，把“隐藏”的勾去掉再保存，之后编辑会默认保持原状态，不会悄悄变回公开。
不想公开、只想临时给人看：点“分享”生成一条带密码和有效期的链接，到期自动失效，你也能随时撤销。
你的内容会同时保存在多个副本上，系统定期做备份与完整性校验，再配合异地容灾机制：就算某台机器出问题，数据也不会丢，可以长期放心存放；特别重要的资料，仍建议你另外再留一份备份。
全站跑在容器化、模块化的现代架构上，更新、部署、回滚都很快，扩展性和稳定性都按长期运营的标准来设计（Built for reliability, designed to scale）。
这个网站最早只是一个人的笔记仓库，后来慢慢长成现在的知识中枢。设计上很克制——没有广告、没有追踪、没有推荐算法，只是干干净净地存放一些东西；既然做好了，就公开出来，万一有人用得上呢。
不做大而全，不做平台梦，保持简单、保持克制、保持好奇。所有内容都由用户贡献、由用户维护：不会突然冒出付费墙，不会在角落塞广告位，也不会把你的数据卖给第三方。
产品会持续迭代，站内日志页记录着每一次改动，改了什么都有迹可循；想了解这个站是怎么一步步走到今天的，翻翻日志就能看到来龙去脉。
如果在这里看到涉嫌违规的内容，点对应卡片右侧的“举报”按钮就能提交，我们会尽快核实处理；也谢谢你花一点时间，一起把这里维护干净。
趋势
Fable 5 技能蒸馏：在廉价模型上复用大模型能力的 Prompt 方案
Fable 5 技能蒸馏：在廉价模型上复用大模型能力的 Prompt 方案
一个通过 Prompt 让大模型（如 Claude Opus）在退役前生成可被廉价模型直接调用的“技能”文件的工具。
一、项目背景与痛点
大语言模型（LLM）的迭代速度极快，OpenAI、Anthropic 等厂商几乎每几个月就会发布新版本，旧版本模型（如 GPT-3.5、Claude 2 等）逐渐被淘汰或退役。对于依赖特定模型能力的开发者来说，这带来了几个现实问题：
- 能力丢失：某些旧模型在特定任务（如代码生成、逻辑推理、创意写作）上经过长期调优，其“手感”和输出风格是后续版本无法完美复现的。
- 成本压力：顶级模型（如 Claude Opus、GPT-4）的 API 调用成本高昂，不适合大规模生产环境。而廉价模型（如 Claude Haiku、GPT-3.5-Turbo）虽然便宜，但能力不足。
- 技能不可迁移：大模型本身是一个黑箱，其内部的“技能”无法直接导出给其他模型使用。
tomicz/fable-5-train-opus-skills-after-it-retires 项目正是为了解决这一问题而生。它提供了一种基于 Prompt 的技能蒸馏方法：在 Claude Opus 等高性能模型退役前，通过精心设计的 Prompt，让模型生成一系列结构化的“技能”文件（Skill Files），这些文件可以被更便宜的模型加载并执行，从而复用原模型的部分能力。
二、项目原理与工作流
核心思想
该项目本质上是一个 Meta-Prompt（元提示） 系统。它不依赖于模型微调或权重导出，而是通过 Prompt 引导大模型将自身知识结构化为可复用的指令集。这些指令集以 JSON 或 Markdown 格式保存，包含角色定义、任务规则、示例、输出格式等要素。廉价模型在推理时，只需加载这些技能文件作为系统提示的一部分，即可模拟原模型的行为。
工作流示例
- 准备阶段：你拥有一个即将退役的高性能模型（如 Claude Opus），以及一个你想迁移的特定技能（例如“生成符合 PEP8 的 Python 代码”）。
- 执行 Prompt：向 Claude Opus 发送项目提供的 Prompt，其中包含技能名称、描述、期望输出格式等参数。
- 生成技能文件：模型返回一个结构化的 JSON 文件，内容大致如下：
{
"skill_name": "pep8_python_code_generator",
"version": "1.0",
"description": "Generates Python code strictly following PEP8 conventions, with docstrings and type hints.",
"system_prompt": "You are an expert Python developer. Always adhere to PEP8. Include docstrings and type hints. Output only code, no explanations.",
"examples": [
{
"input": "Write a function to calculate factorial",
"output": "def factorial(n: int) -> int:\n """Calculate factorial of n recursively."""\n if n <= 1:\n return 1\n return n * factorial(n - 1)"
}
],
"constraints": [
"Maximum line length: 79 characters",
"Use 4 spaces for indentation",
"Include module-level docstring if multiple functions"
]
}
- 部署到廉价模型：将生成的 skill JSON 文件嵌入到廉价模型（如 Claude Haiku）的系统提示中。例如：
python
import anthropic
client = anthropic.Anthropic(api_key="your-key")
with open("pep8_python_code_generator.json", "r") as f:
skill = json.load(f)
response = client.messages.create(
model="claude-3-haiku-20240307",
system=skill["system_prompt"], # 直接使用技能中的系统提示
messages=[
{"role": "user", "content": "Write a function to calculate factorial"}
]
)
- 效果验证：廉价模型在加载技能文件后，其输出质量应明显优于未加载时的默认行为，且更接近原模型在该技能上的表现。
三、安装与使用
该项目本身无需安装，它只是一个 Prompt 模板。使用步骤如下：
步骤 1：获取 Prompt
从仓库根目录找到 prompt.md 或 prompt.txt 文件，复制其内容。
步骤 2：配置参数
在 Prompt 中，你需要替换以下占位符：
{SKILL_NAME}：技能名称（如code_reviewer）{SKILL_DESCRIPTION}：技能详细描述（如“审查 Python 代码，指出潜在 bug 和性能问题”）{OUTPUT_FORMAT}：技能文件输出格式（JSON 或 Markdown）{EXAMPLES}：可选，提供 1-3 个输入输出示例，帮助模型理解任务
步骤 3：发送给高性能模型
将填充后的 Prompt 发送给 Claude Opus（或 GPT-4 等），模型会返回一个技能文件。
步骤 4：在廉价模型中使用
将返回的技能文件内容作为系统提示的一部分，或者直接作为用户消息的前缀，然后开始正常对话。
四、核心亮点
- 零成本迁移：不需要微调、不需要 LoRA、不需要任何模型权重。只需一个 Prompt 和一次 API 调用。
- 即插即用：生成的技能文件是纯文本，可以存储、分享、版本控制，任何支持系统提示的 API 都可以加载。
- 聚焦特定能力：你可以为每个技能单独生成文件，比如“代码审查技能”、“创意写作技能”、“数学解题技能”，然后按需组合。
- 对抗模型退役：当旧模型退役后，你仍然可以通过技能文件让新模型（或廉价模型）重现其部分能力。
- 开源透明：整个方法完全公开，你可以检查、修改 Prompt，甚至改进蒸馏过程。
五、适用场景
- 企业级应用：当公司依赖某个特定模型版本进行生产任务，但该版本即将退役时，可以批量生成技能文件，平滑迁移到更便宜的模型上。
- 个人开发者：希望利用顶级模型的能力但预算有限，可先用 Opus 生成技能，再在 Haiku 上运行日常任务。
- 模型对比研究：通过技能蒸馏，量化不同模型在特定任务上的能力差距。
- 知识传承：将资深模型（如经过大量微调的专家模型）的技能固化下来，供后续模型学习。
六、与其他同类项目对比
| 项目/方法 | 原理 | 成本 | 可迁移性 | 依赖模型权重 | 适用模型 |
|---|---|---|---|---|---|
| Fable 5 Skill Distillation | Prompt 蒸馏 | 极低（仅 API 费用） | 高（纯文本） | 否 | 任何支持系统提示的 LLM |
| 模型微调（Fine-tuning） | 修改模型权重 | 高（GPU + 数据准备） | 低（仅限同架构模型） | 是 | 需要权重可访问的模型 |
| LoRA / Adapter | 低秩适配 | 中（训练成本） | 中（需适配层） | 是 | 部分开源模型 |
| Chain-of-Thought 提示 | 推理时引导 | 低 | 低（依赖模型自身） | 否 | 任何 LLM |
优势：相比微调和 LoRA，本项目完全不需要训练，成本几乎为零；相比 CoT 提示，它能将技能“固化”为独立文件，而不是依赖每次推理时的临时引导。
局限：技能蒸馏的效果受限于原模型表达能力和 Prompt 质量；复杂技能（如多轮对话、长上下文推理）可能难以通过单次 Prompt 完整捕获；生成的技能文件对廉价模型的提升幅度因任务而异。
七、总结评价
tomicz/fable-5-train-opus-skills-after-it-retires 是一个巧妙且实用的工具。它抓住了 LLM 生态中的一个真实痛点——模型退役与技能迁移，并用最轻量的方式（一个 Prompt）提供了解决方案。虽然它不能完全替代微调，但对于大多数日常任务，尤其是需要快速、低成本复用大模型能力的场景，它是一个值得尝试的选择。
适用人群：所有使用 LLM API 的开发者、AI 产品经理、对模型能力迁移感兴趣的研究者。
项目链接：https://github.com/tomicz/fable-5-train-opus-skills-after-it-retires