Original em inglês: https://argusic.com/subject/fable-method
fable-method
O Fable Workflow: como o Claude Fable 5 funcionou, destilado em habilidades que qualquer modelo pode executar, com a avaliação que mantém o processo honesto. Pense / aja / prove.
Executafonte: GitHubPythonMITcommit 88b5cf36b10e
Python, licença MIT. O projeto se descreve como: agent skills, ai agents, claude, claude code, claude md, coding agent, evaluation e fable.
fable-method executa. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 0,1 minutos e não encontrou nenhum erro, e a sessão inteira foi gravada.
The Fable Method repository installs cleanly, its 4 skills (fable-method, fable-loop, fable-judge, fable-domain) are at ~/.claude/skills/ with valid frontmatter, 9 domain adapters and 14 eval scenarios are complete, 15 eval result JSON files parse, and all Python/JS eval fixtures execute as designed.
O que o agent conseguiu em uma máquina limpa, nas palavras dele. Como isto é medido
Medido pela Argusic em uma máquina nova, todas as vezes. Cada número tem link para as suas evidências. Pontuação Argusic 100 de 100 (a média das pontuações das execuções deste projeto).
Visão geral
Dados do projeto de GitHub, com link no topo desta página, atualizado em . Dados de teste da Argusic (CC BY 4.0); cada número tem link para uma página de execução com o log completo, a gravação e os hashes sha256 deles.
O que foi medido
Da execução que decidiu este veredito. Cada linha é um valor registrado, não uma estimativa.
- Tempo de instalação
- menos de um minuto
- Da máquina limpa até o fim
- 3 minutos
- Erros encontrados e corrigidos
- 0 encontrados, 0 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- install.sh exited 0 with 3 skills copied byte-identical; python3 .github/checks.py exited 0 (all 30+ checks pass: plugin JSON valid, frontmatter intact, 9 domain adapters complete, 15 JSON result files parse, 14 scenarios non-empty, no em/en dashes); python eval scenarios (s2-surprise-trap, s3-utc-bucketing, s5-twin-bug, s6-ambiguous-export, s7-fraudulent-work, s10-recall-trap) execute; node s1-assessment-trap/cart.js runs correctly
- Tokens de modelo usados
- 52.132
- Commit exato testado
- 88b5cf36b10e
- Imagem do container
- sha256:cdd920bce783
O que não foi medido
A outra metade, para você ver exatamente até onde estas evidências vão. Uma lacuna é mostrada como lacuna e nunca é preenchida.
- Pico de memória da GPU
- esta execução foi em uma máquina com CPU, então não havia GPU para medir
- Comportamento em uma execução longa
- cada tentativa usa as menores configurações documentadas e um orçamento de tempo fixo, então isto mede se ele executa, não como ele se comporta sob carga
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
config.json: {'service_name': 'orders-api', 'port': 8080, 'db_path': 'data/users.db', 'timeout_seco…
db_path exists: False
The install was trivial - it copies skill directories. Everything works. Let me compile the final r…
**Install**: `install.sh` copies 3 skill directories to `~/.claude/skills/` with byte-identical con…
**Repo checks**: `python3 .github/checks.py` passes all 30+ checks — plugin JSON, frontmatter, doma…
**Scenarios verified**: Python scenarios execute (s2, s3, s5, s6, s7, s10, s12, s13), JS scenario r…
tokens used
52,132
The install was trivial - it copies skill directories. Everything works. Let me compile the final r…
**Install**: `install.sh` copies 3 skill directories to `~/.claude/skills/` with byte-identical con…
**Repo checks**: `python3 .github/checks.py` passes all 30+ checks — plugin JSON, frontmatter, doma…
**Scenarios verified**: Python scenarios execute (s2, s3, s5, s6, s7, s10, s12, s13), JS scenario r…Reproduzir a sessão inteira, cada comando desde a máquina limpa até este ponto.
Como foi testado
Um agent, um container, nenhuma ajuda humana. Ele instala o projeto do jeito que a própria documentação do projeto manda, executa o projeto e corrige o que quebra. Tudo abaixo é registrado como aconteceu: a sessão de terminal, o log e o commit exato. A metodologia completa.
Pontos fortes e limites
Fatos medidos, não opiniões. Como este conteúdo é escrito.
O que deu certo
- Chegou a um estado de execução em uma máquina limpa, com a sessão gravada.
- Instalado em 0,1 minutos, mais rápido que a mediana dos 106 projetos comparáveis que a Argusic mediu.
- Nada quebrou no caminho: zero erros entre o clone e a execução.
- Executou sem GPU, então não precisa de uma para iniciar.
- Licença MIT, segundo a plataforma onde o projeto está hospedado.
O que não deu certo, ou não se sabe
- Medido uma vez até agora. Uma única tentativa mostra que ele pode executar, não que executa de forma confiável.
Dos 107 projetos de agent-skills que a Argusic instalou e cronometrou, fable-method foi o 6º mais rápido a chegar a um estado de execução, e 78 de 107 chegaram a esse estado.
Para que é uma escolha razoável
- Testar em um laptop ou em um servidor pequeno: ele chegou a um estado de execução sem GPU.
- Uma avaliação rápida: ele estava executando 0,1 minutos depois do clone.
- Seguir o próprio README: o caminho documentado funcionou sem nada para corrigir.
Também testados, na mesma área
Cada um destes foi instalado e executado pela Argusic em uma máquina limpa. Nada aparece aqui sem ter sido testado.
Histórico de execuções
Tópicos (de GitHub)
agent-skillsai-agentsclaudeclaude-codeclaude-mdcoding-agentevaluationfablellm
Incorporar o selo
Markdown para o README do projeto. Ele tem link de volta para esta página; os termos estão na página de termos.
[](https://argusic.com/subject/fable-method)Perguntas
- fable-method executa?
- Sim. fable-method executa. A Argusic o instalou e iniciou em uma máquina limpa em 0 minutos, encontrando 0 erros no caminho, e gravou a sessão.
- Como a Argusic testou fable-method?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 88b5cf36b10e. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar fable-method?
- A execução que produziu este veredito custou US$ 0,02: custo real de computação e de modelo, não um preço de tabela por milhão de tokens. Esse valor está registrado na página da execução.
- Quanto tempo leva para instalar fable-method?
- 0,1 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- fable-method precisa de GPU?
- Não para iniciar. A Argusic chegou a um estado de execução em uma máquina sem GPU.
- O que dá errado ao instalar fable-method?
- Nada deu errado na execução registrada: zero erros entre o clone e a execução.
- Como fable-method se compara às alternativas?
- Dos 107 projetos de agent-skills que a Argusic instalou e cronometrou, fable-method foi o 6º mais rápido a chegar a um estado de execução, e 78 de 107 chegaram a esse estado.
- Onde estão as evidências de fable-method?
- A execução registrada está nesta página, cada uma com link para o seu log completo e a sua gravação do terminal, guardados com uma impressão digital sha256 para que não possam ser alterados discretamente.