如何发现你的「未知盲区」

在使用 Claude Code 的过程中，Anthropic 的作者提出了一个关键比喻：「地图」与「领地」的差异。地图是用户给 Claude 的提示词、技能与上下文，而领地则是代码库、真实世界及其实际约束。两者之间的落差，就是所谓的「未知量」。当 Claude 遭遇未知量时，它只能依据对用户意图的最佳猜测来做决策，任务越复杂，潜在的未知量就越多。

文章将未知量细分为四个维度：已知的已知（写进提示词的内容）、已知的未知（意识到但尚未解决的问题）、未知的已知（太过显而易见以至于不会写下来、但一旦看到就能认出的隐性知识），以及未知的未知（完全没有考虑到的盲区）。作者观察到，顶尖的 AI 编程用户往往对自己的需求了解得极为细致，并与代码库和模型行为高度同步，同时也会主动预设未知量的存在。

在实现前阶段，作者推荐使用「盲点扫描」技巧：明确告诉 Claude 自己的背景和知识边界，请它帮助发现未知的未知并加以解释。例如，在进入陌生代码模块前，可以直接要求 Claude 做一次盲点扫描，以便更好地构建后续提示词。与此同时，头脑风暴和原型验证也至关重要——在正式接入后端逻辑之前，先用单个 HTML 文件模拟界面，能够以极低成本暴露隐性的设计偏好和功能边界。

当头脑风暴结束后仍存在未知量时，作者建议让 Claude 以「访谈」形式主动提问，逐一澄清模糊之处。这一步骤能够将隐性需求显性化，避免在实现阶段因规格细节的微小变化而导致大规模返工。此外，在正式编写实现计划之前，收集参考资料（如竞品截图、相关文档）也有助于缩小 Claude 的解读空间，使其输出更贴近用户的真实预期。

在实现过程中，作者建议持续记录「实现笔记」，将实时发现的新未知量和决策依据同步给 Claude，保持上下文的连贯性。实现完成后，则可以通过「推介与说明」让 Claude 解释其实现逻辑，或通过「测验」模式让 Claude 提问、用户作答，从而验证双方对最终结果的理解是否一致。这种闭环机制有助于在下一次迭代前进一步压缩未知量。

文章的核心结论是：与 Claude Fable 协作是一个在实现前、中、后持续发现未知量的迭代过程，仅靠事先规划并不足够。给 Claude 提供充分的起点上下文——包括当前的思考进度、对问题和代码库的熟悉程度——才能让它真正发挥思维伙伴的作用。减少并预判未知量，正是 AI 辅助编程这一新兴技能的核心所在，而这种能力本身也可以通过与 Claude 的持续协作来不断提升。

要点

• Claude Fable 是首个让工作质量瓶颈转移至用户「澄清未知能力」的模型，而非模型本身的能力边界
• 将未知量分为四类（已知的已知、已知的未知、未知的已知、未知的未知）是系统性提升提示词质量的有效框架
• 实现前的盲点扫描和原型验证能以极低成本暴露隐性需求，避免实现阶段的高代价返工
• 让 Claude 以访谈形式主动提问，是将隐性知识显性化、消除模糊规格的高效手段
• 实现后的复盘测验和逻辑说明，能够验证人机双方对结果的理解一致性，为下一轮迭代奠定基础