核心要点摘要

• Base44 扩大 Fable 5 使用范围的前提，是先跑应用评测，再把复杂任务放入 A/B 与人工审批流程。
• 四小时和 90%–95% 是特定仓库中的客户案例数字，不能成为其他团队的开发工期或 SLA。
• 模型发现缓存命中盲区后，团队应把它固化为自动门禁，而不是依赖模型下一次再次提醒。

Claude 官方博客在 2026 年 7 月 15 日发布 Base44 案例。Base44 是一个通过自然语言构建全栈应用和网站的平台，早期 Claude 模型一直参与其应用生成，但涉及系统提示、原生移动基础设施等核心改动时，团队过去只敢交给资深工程师。Fable 5 的变化不是“代码写得更多”，而是团队开始用生产评测和人工审核接住它的复杂改动。

先理解这次任务到底难在哪

Base44 的系统提示不是一段固定文本，而是有数百种排列。用户第一次还是第五次创建应用、是否订阅、应用类别与功能不同，最终提示都可能变化。一次改动会影响大量路径，还可能破坏缓存。另一个例子是原生移动基础设施，过去只有掌握相关经验的工程师能动。

Base44 产品负责人 Yoav Orlev 表示，早期模型遇到错误时，常在眼前的局部继续尝试，不会主动判断代码库其他位置是否已有类似解法。Fable 5 在修改应用内智能体的 harness 时卡住后，去其他代码区域寻找已经解决的同类问题，再带回修复方案。案例把这种跨代码库寻找先例的行为视为接近资深工程师的一个信号。

不过“像资深工程师”是 Base44 负责人的类比，不是标准化能力等级。工程团队仍需明确任务上下文、可用工具和停止条件。模型能找到跨模块解法，也可能错误复用不适用于当前路径的旧实现，因此引用关系、变更范围和依赖测试都要进入验收。

Base44 的评测链比单次代码审查更长

团队会让每个新 Claude 模型经过不同应用类型的评测，记录延迟、成本和构建错误，还会用构建 Minecraft 克隆这样的测试观察游戏物理和机制。Fable 5 在其测试中用更少轮次完成任务，并能从第一次提示生成更完整的应用，覆盖部分早期模型遗漏的边缘情况。

之后，团队把重建系统提示这项工作交给 Fable 5。经过约一小时问答澄清，模型独立运行四小时，返回 Base44 所需结果的 90%–95%。团队利用现有 A/B 测试基础设施测量效果，并在当天发布改动。这个过程至少包含需求澄清、长时执行、自动评测、A/B 比较和人工批准，不是模型提交代码后直接上线。

更值得注意的是，Fable 5 指出 Base44 的评测没有检查缓存命中。系统提示变化可能导致缓存失效，在数百万用户规模下增加成本。这个细节说明评测对象不能只有功能正确率，还要覆盖提示稳定性、缓存键、延迟和单位任务成本。模型发现盲区是一件好事，但发现后应把它固化为自动检查，不能依赖下一次模型再次提醒。

如果要做 Claude 与其他模型的工程回归，可以通过 147AI 统一调用候选模型，固定相同仓库快照、任务说明、测试命令和预算上限，再记录完成轮次、构建错误、测试覆盖与人工修改量。跨模型结果放在同一验收口径里，才知道差异来自模型还是测试条件。

可以把核心改动验收拆成六个可记录字段：任务目标是否满足、原有测试是否通过、新增测试覆盖了什么、性能和缓存相对基线怎样变化、人工修改了哪些关键部分、回滚是否实际演练。模型提交的“完成说明”只能填入前置信息，最终字段应由流水线和代码所有者共同确认。尤其是系统提示这种配置型代码，组合路径、提示哈希、缓存键和模型版本要绑定在同一发布记录中。

核心改动上线前还缺哪些闸门

Base44 的做法适合转成一条更通用的生产流程。第一道闸门是范围：只开放完成任务需要的目录、工具和凭证，禁止模型越过代码所有权边界。第二道是测试：单元、集成、端到端、性能和缓存回归分别运行，不能用一次构建成功代替。

第三道是变更解释。模型要列出修改文件、关键假设、未解决项和回滚方式。人工审查不能只看 diff 是否整洁，还要核对系统提示的组合路径、默认值和隐藏依赖。第四道是渐进发布，先在离线样本与小流量环境验证，再用 A/B 或灰度观察错误率、延迟、成本和用户行为。

最后要区分案例数字与自己的基线。Base44 所说的 90%–95%、四小时和更少轮次，只说明 Fable 5 在其任务、仓库与团队流程中的表现。其他系统的代码结构、测试成熟度和风险等级不同，不能直接套用同样结论。

这个案例真正值得工程团队借鉴的，是把高能力模型放进已有评测基础设施，而不是取消评测。模型可以承担过去排队等待资深工程师的部分工作，人仍负责定义目标、检查证据、批准上线。核心系统越重要，这条链越不能省。

结论

Base44 案例没有证明模型可以绕过工程治理，反而说明强模型需要更完整的治理才能进入核心。需求澄清、受限执行、自动测试、A/B、成本观察和人工批准共同构成信任。模型负责把复杂任务推进得更快，团队负责证明它确实可以上线。

FAQ

Q1：90%–95% 完成度可以直接用来比较模型吗？

A：不可以直接跨团队比较。官方案例没有给出标准化分母，这个比例应视为 Base44 对特定任务完成度的判断。

Q2：缓存命中为什么属于发布门禁？

A：系统提示变化可能改变缓存复用，功能仍正确时也会增加延迟和成本，因此需要和构建错误一起观察。

内容更新时间：2026-07-16

官方来源：Working at the frontier: Why Base44 trusts Claude Fable 5 with their most challenging engineering work，发布日期：2026-07-15。

证据边界：Base44 的产品背景、测试方式、任务时长、完成度、缓存发现和审批流程均来自 Claude 官方客户案例；发布门禁、成本拆分和权限设计属于基于案例提出的工程建议，不能视为 Base44 官方方法论。