In dieser kurzen, am 3. Juli 2026 veröffentlichten Notiz gibt Simon Willison zwei sich ergänzende Tipps wieder, wie man das Beste aus Coding Agents herausholt — gehört während eines Fireside Chat, den er bei AIE mit Cat Wu und Thariq Shihipar vom Claude Code Team moderierte.
Das erste Prinzip: dem Modell sein eigenes Urteilsvermögen überlassen, statt vorzuschreiben, wie es arbeiten soll. Dies gilt für Fable und in gewissem Maße für Opus. Das gegebene Beispiel betrifft Tests. Man kann eine explizite Regel formulieren — « only use automated testing for larger features, don't update and run tests for small copy or design changes » —, es ist jedoch vorzuziehen, Fable einfach zu bitten, sein Urteilsvermögen einzusetzen, um zu entscheiden, wann Tests geschrieben werden sollen. Das kontextuelle Urteilsvermögen des Modells erweist sich als robuster als die fest codierte Regel.
*So far it seems to be working well. I'm getting a ton of work done and my Fable allowance is shrinking less quickly than before.*
Der zweite Tipp, weitergegeben von Jesse Vincent, wendet dieselbe Philosophie auf die Token-Ökonomie an. Der Kontext ist zeitkritisch: Die Preise für Fable-Tokens sollen in wenigen Tagen steigen. Um diese wertvolle Ressource nicht zu verbrauchen, besteht die Idee darin, Fable zu bitten, kleinere Aufgaben an weniger leistungsfähige Modelle zu delegieren, wobei es selbst beurteilt, welches geeignet ist.
Willison wendet den Tipp sofort an und dokumentiert die Erfahrung von Anfang bis Ende. Er liefert den genauen Prompt, der an Claude Code gesendet wurde: « For all coding tasks use your judgement to decide an appropriate lower power model and run that in a subagent ». Als Antwort darauf hat Claude Code spontan eine Memory-Datei geschrieben (~/.claude/projects/<project>/memory/delegate-coding-to-subagents.md, type: feedback). Diese Datei hält die Anweisung nicht nur fest: Sie kodifiziert deren Anwendung — sonnet für umfangreiche Implementierung, haiku für triviale oder mechanische Änderungen —, während sie dem Hauptmodell vorbehält, was Urteilsvermögen erfordert: Design, Audit, Datensynthese, Review. Die Begründung passt in einen Satz: Implementierungsarbeit benötigt selten das leistungsstärkste Modell, während Urteilsvermögen, Review und Synthese im Hauptloop verbleiben.
Das Fazit ist empirisch und maßvoll formuliert: « So far it seems to be working well. I'm getting a ton of work done and my Fable allowance is shrinking less quickly than before. » Die Notiz veranschaulicht somit anhand eines reproduzierbaren Falls eine doppelte Best Practice: Agenten mit Urteilsvermögen nicht überzuspezifizieren und mehrere Modellstufen über Subagents zu orchestrieren, um Premium-Tokens zu schonen.