“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。
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。
Fable 5 技能蒸馏：用高价模型训练低价模型的最后一课
Fable 5 技能蒸馏：在 Claude Opus 退役前，用它为廉价模型生成可复用技能集。
一、项目概览：一个为“模型退役”而生的 Prompt 工程
Fable 5 Train Opus Skills After It Retires 是一个极其巧妙的 Prompt 工程方案。它的核心逻辑是：在 Claude Opus（或其他高性能闭源模型）退役之前，通过一个精心设计的对话流程，让 Opus 将自己解决复杂问题的能力“拆解”成一系列结构化的技能步骤，然后把这些技能以 JSON 格式输出。这些技能可以被更便宜、更小的模型（如 GPT-3.5-Turbo、Claude Instant、Llama 3 8B 等）直接导入并使用，从而让低成本模型获得接近高价模型的推理与执行能力。
该项目仅由 1 个 Prompt 文件构成（prompt.md），没有依赖包，没有 API 调用代码，纯粹是 Prompt 工程。但它解决的是一个极其现实且紧迫的痛点：高价模型即将退役，如何保留其能力并迁移到低价模型上？
二、解决的核心痛点
2.1 模型退役带来的能力断层
Claude Opus 是 Anthropic 的旗舰模型，性能极强，但成本高昂。Anthropic 已经宣布 Opus 将在 2025 年某个时间点退役。对于大量依赖 Opus 进行复杂推理、代码生成、数据分析的团队来说，这是一个灾难——他们要么被迫迁移到更贵的模型（如未来的 Opus 2），要么降级到能力不足的廉价模型。
2.2 技能迁移的高成本
传统的模型蒸馏需要：
- 大量标注数据
- 微调基础设施（GPU、框架）
- 数周甚至数月的训练周期
- 对模型架构的深入了解
对于个人开发者或小团队来说，这几乎不可行。
2.3 廉价模型的“能力天花板”
GPT-3.5-Turbo、Claude Instant 等模型在简单任务上表现不错，但在需要多步推理、复杂指令遵循、长上下文理解的场景中，明显落后于 Opus。直接使用这些模型做复杂任务，经常出现逻辑断裂、忽略约束、输出格式错误等问题。
Fable 5 项目的解决方案是：不让廉价模型自己去“想”，而是让 Opus 提前把“想的过程”写成技能，廉价模型只需要“执行技能”即可。
三、安装与使用：纯 Prompt 驱动，零代码
3.1 安装步骤
克隆仓库或直接复制
prompt.md内容
bash
git clone https://github.com/tomicz/fable-5-train-opus-skills-after-it-retires.git
cd fable-5-train-opus-skills-after-it-retires将
prompt.md中的全部内容复制到任何一个支持 Claude Opus 的对话界面中（官网、API、Playground 均可）发送该 Prompt 给 Opus，它就会开始生成技能
3.2 使用示例
假设你想让 Opus 为“从 PDF 中提取表格数据并转换为 Markdown”这个任务生成技能：
先把 Prompt 发给 Opus，它会回复一个初始技能 JSON 模板。
然后你输入具体的任务描述：
我需要一个技能，能从 PDF 中解析表格，保留表头、行列结构，并输出为 Markdown 格式。
Opus 会生成类似这样的技能 JSON：
{
"skill_name": "pdf_table_to_markdown",
"version": "1.0",
"description": "从PDF中提取表格数据并转换为Markdown格式",
"steps": [
{
"step_id": 1,
"action": "读取PDF文件，使用pdfplumber或PyMuPDF提取文本和表格位置",
"input": "pdf_path",
"output": "raw_table_data"
},
{
"step_id": 2,
"action": "识别表格边界，区分表头与数据行",
"input": "raw_table_data",
"output": "structured_rows"
},
{
"step_id": 3,
"action": "按Markdown表格语法格式化：表头用|分隔，第二行为---|---|---，数据行对齐",
"input": "structured_rows",
"output": "markdown_table"
}
],
"constraints": ["如果表格跨页，需合并对应行"],
"fallback": "如果表格嵌入在图片中，提示用户使用OCR"
}将这个 JSON 保存到你的廉价模型（如 GPT-3.5-Turbo）的 system prompt 中，或者在每次请求时作为上下文注入。
当廉价模型收到“把这份PDF的表格转成Markdown”的请求时，它会按照技能中的步骤执行，而不是自由发挥。
四、核心亮点深度解析
4.1 技能即结构化知识
传统的 Prompt 工程依赖“写一个更好的 Prompt”，而 Fable 5 把 Prompt 变成了可复用的技能模块。每个技能包含：
- 步骤序列（step-by-step）
- 输入输出定义
- 约束条件
- 异常处理（fallback）
这让廉价模型的行为变得可预测、可审计。
4.2 零成本蒸馏
不需要 GPU，不需要训练数据，不需要微调框架。你只需要花钱调用一次 Opus（生成技能），然后就可以无限次在廉价模型上使用这些技能。对于生成一个复杂技能，Opus 的调用成本可能只有几美分，而后续每次使用廉价模型执行该技能的成本可能只有 Opus 的 1/10 甚至 1/100。
4.3 技能可组合、可迭代
你可以让 Opus 生成多个技能，然后廉价模型可以组合使用它们。例如：
- 技能 A：从 PDF 提取表格
- 技能 B：对表格数据进行清洗
- 技能 C：将清洗后的数据插入数据库
廉价模型可以按顺序调用 A→B→C，完成一个完整的 ETL 流程。
4.4 对抗模型退化
当 Opus 退役后，你仍然拥有它“生前”生成的技能库。即使未来的廉价模型版本更新，技能 JSON 仍然可以作为稳定的行为指导，防止模型更新导致的能力漂移。
五、适用场景
5.1 企业级自动化流程
- 数据管道：用 Opus 生成数据清洗、转换、验证的技能，然后由廉价模型在批量处理中执行
- 客服系统：生成多轮对话管理技能，让低成本模型处理 90% 的常规问题，仅复杂问题转人工
- 代码审查：生成代码规范检查、安全漏洞扫描的技能，廉价模型即可完成初步审查
5.2 个人开发者工具
- AI 写作助手：生成文章结构规划、段落优化、引用格式规范的技能
- 学习工具：生成知识点拆解、练习题生成的技能，用廉价模型即可辅导学生
- 自动化脚本：生成文件处理、API 调用的技能，让廉价模型根据步骤编写 Python 脚本
5.3 研究场景
- 实验流程标准化：将复杂的实验步骤（如数据预处理、统计分析、图表生成）编码为技能
- 论文辅助：生成文献摘要、方法论提取、结果解读的技能
六、同类项目对比
6.1 vs. 传统模型蒸馏（如 DistilBERT、TinyLlama）
| 维度 | Fable 5 | 传统蒸馏 |
|---|---|---|
| 成本 | 极低（仅需 Prompt 调用费） | 高（需要 GPU 训练） |
| 技术门槛 | 零代码，仅需 Prompt 编写 | 需要机器学习工程能力 |
| 迁移速度 | 几分钟生成一个技能 | 数小时到数天训练 |
| 模型依赖 | 不依赖特定模型架构 | 需要教师和学生模型架构兼容 |
| 可解释性 | 技能 JSON 完全可读、可编辑 | 蒸馏后的模型是黑盒 |
| 适用规模 | 中小规模任务 | 大规模生产部署 |
结论：传统蒸馏适合需要极致性能的大规模部署，而 Fable 5 适合快速、低成本、可解释的技能迁移。
6.2 vs. Prompt 模板库（如 Awesome ChatGPT Prompts）
| 维度 | Fable 5 | Prompt 模板 |
|---|---|---|
| 结构化程度 | 高（JSON 格式，含步骤、输入输出、约束） | 低（纯文本，依赖模型理解） |
| 可复用性 | 高（可在不同模型间迁移） | 低（通常针对特定模型优化） |
| 可编程性 | 高（可被代码解析和调用） | 低（只能人工复制粘贴） |
| 容错性 | 含 fallback 机制 | 无 |
结论：Fable 5 更像是“可执行的 Prompt”，而不仅仅是“提示词”。
6.3 vs. 函数调用（Function Calling）
| 维度 | Fable 5 | Function Calling |
|---|---|---|
| 灵活性 | 高（技能步骤可任意组合） | 中（受限于预定义函数签名） |
| 跨模型 | 支持（JSON 格式通用） | 低（依赖 API 实现） |
| 部署复杂度 | 低（只需注入到 system prompt） | 中（需要后端代码） |
结论：Function Calling 更适合需要与外部系统交互的场景，Fable 5 更适合纯推理和文本处理。
七、局限性
- 技能质量依赖 Opus 的能力：如果 Opus 本身在某些任务上表现不佳，生成的技能也会有问题。
- 廉价模型仍需遵循步骤：如果廉价模型本身有严重的指令遵循缺陷，即使有步骤也可能出错。
- 技能数量有限：每个 model 的上下文窗口限制了可以注入的技能数量（通常 5-10 个技能比较合理）。
- 动态任务不适用：如果任务需要实时推理或外部信息，技能可能很快过时。
八、未来方向
- 技能市场：社区可以共享和交易技能 JSON
- 技能编译器：将自然语言描述自动编译为技能 JSON
- 技能验证器：自动测试技能在廉价模型上的执行效果
- 技能组合器：自动将多个技能串联为复杂工作流
九、总结
Fable 5 Train Opus Skills After It Retires 是一个极具创意的 Prompt 工程方案，它抓住了“模型退役”这个时间窗口，用极低的成本实现了类蒸馏的效果。虽然它不能完全替代传统模型蒸馏，但对于个人开发者、小团队以及需要快速迁移特定能力的场景来说，它提供了一个立即可用的解决方案。
如果你正在为 Opus 的退役而焦虑，或者想降低 AI 调用成本而不牺牲太多能力，这个项目值得一试。
项目地址：https://github.com/tomicz/fable-5-train-opus-skills-after-it-retires