10 aplikacji, które możesz zbudować z Fable 5 już dziś — od pomysłu do MVP

Claude Fable 5 to nie kolejna wersja Opusa — to zupełnie nowa kategoria. Model z oknem kontekstowym 1 miliona tokenów, ceną $10/$50 za milion tokenów i architekturą zorientowaną na długoterminową, autonomiczną pracę agentową. Brzmi drogo? Dla większości zadań jest. Ale dla konkretnych zastosowań — tych, gdzie słabszy model po prostu zawiedzie — Fable 5 zwraca się kilkukrotnie.

Poniżej 10 aplikacji, które możesz zacząć budować już teraz. Dla każdej: po co Fable 5 (nie Sonnet, nie Haiku), jak wygląda kluczowy fragment architektury i ile to będzie kosztować miesięcznie przy realnym użyciu.

1. Autonomiczny agent kodowania (overnight coding)

Podajesz specyfikację wieczorem. Rano masz kod — przetestowany, z dokumentacją, gotowy do code review. Nie "jakiś kod", tylko pełna implementacja zgodna z architekturą projektu.

Dlaczego Fable 5

Kluczowa jest kombinacja: adaptacyjne myślenie (thinking: {type: "adaptive"}), długie okno kontekstu (cały projekt wchodzi naraz) i effort xhigh — ten sam, którego używa Claude Code domyślnie. Słabsze modele gubią kontekst przy dużych codebases. Fable 5 utrzymuje spójność przez setki narzędzi wywołanych w jednej sesji.

Architektura

POST /v1/messages
{
  "model": "claude-fable-5",
  "max_tokens": 128000,
  "output_config": {"effort": "xhigh"},
  "thinking": {"type": "adaptive", "display": "summarized"},
  "tools": [
    {"type": "bash_20250124", "name": "bash"},
    {"type": "text_editor_20250728", "name": "str_replace_based_edit_tool"},
    {"type": "web_search_20260209", "name": "web_search"}
  ],
  "messages": [{"role": "user", "content": "Zaimplementuj moduł płatności Stripe..."}]
}

Task Budget beta (task-budgets-2026-03-13) pozwala modelowi wiedzieć, ile tokenów ma na całą sesję — sam racjonuje zasoby i nie rozpisuje się tam, gdzie nie trzeba.

Koszt miesięczny

Przy 5 dużych sesjach kodowania tygodniowo (średnio 200k tokenów input + 50k output każda): około $450-600/mies.. Dla firmy, która płaci programiście za nocne nadgodziny — opłacalne.

2. Deep Research Engine

Agent, który przeszukuje sieć, czyta 50-100 źródeł, syntetyzuje wiedzę i produkuje raport z przypisami. Nie lista linków — analityczny dokument gotowy do publikacji lub do podejmowania decyzji.

Dlaczego Fable 5

Raport z 100 źródeł po summaryzacji zajmuje kilkaset tysięcy tokenów w kontekście. Żaden model z oknem 200k tego nie udźwignie bez tracenia początku. Fable 5 ma 1M tokenów — cały research mieści się naraz, bez chunking i bez utraty kontekstu między iteracjami.

Architektura

• Faza 1: agent generuje listę pytań badawczych, szuka każdego przez web_search_20260209
• Faza 2: pobiera treść znalezionych stron przez web_fetch_20260209, ładuje do kontekstu
• Faza 3: jeden duży prompt syntezy — wszystkie źródła naraz, pytanie o strukturę raportu

{
  "model": "claude-fable-5",
  "max_tokens": 128000,
  "output_config": {"effort": "high"},
  "tools": [
    {"type": "web_search_20260209", "name": "web_search"},
    {"type": "web_fetch_20260209", "name": "web_fetch"}
  ],
  "system": "Jesteś analitykiem badawczym. Syntetyzuj wszystkie dostarczone materiały...",
  "messages": [{"role": "user", "content": "[zebrane_źródła]\n\nNapisz raport..."}]
}

Koszt miesięczny

50 raportów miesięcznie (średnio 400k tokenów input + 30k output): $280-400/mies.. Jako SaaS dla firm konsultingowych — wyceniasz 10x więcej.

3. Analizator umów prawnych

Wrzucasz umowę (nawet 200-stronicową), orzecznictwo sądowe i wytyczne regulacyjne. Agent wskazuje ryzyka, niejasności i klauzule wymagające negocjacji. Nie zamiast prawnika — jako przygotowanie dla prawnika, które skraca jego czas pracy 3-5x.

Dlaczego Fable 5

Okno 1M tokenów to około 750 000 słów tekstu. Cała umowa + orzecznictwo + komentarze doktrynalne wchodzą w jeden prompt. Przy mniejszych modelach musisz dzielić dokumenty i tracisz odniesienia między sekcjami. Tu masz całość naraz — model widzi sprzeczności między paragrafem 3.2 a załącznikiem F, bo oba są w kontekście jednocześnie.

Architektura

{
  "model": "claude-fable-5",
  "max_tokens": 64000,
  "output_config": {
    "effort": "high",
    "format": {
      "type": "json_schema",
      "schema": {
        "type": "object",
        "properties": {
          "ryzyka": {"type": "array", "items": {"type": "object",
            "properties": {
              "klauzula": {"type": "string"},
              "poziom_ryzyka": {"type": "string", "enum": ["niski", "sredni", "wysoki"]},
              "opis": {"type": "string"}
            }
          }},
          "rekomendacje": {"type": "array", "items": {"type": "string"}}
        }
      }
    }
  },
  "messages": [{"role": "user", "content": "[UMOWA]\n[ORZECZNICTWO]\n\nAnaliza ryzyk..."}]
}

Koszt miesięczny

100 analiz umów (średnio 300k tokenów input + 10k output): $350-500/mies.. Kancelaria prawna zaoszczędza dni pracy — margin jest ogromny.

4. AI-Powered Code Reviewer z rubryką

Nie "sprawdź czy kod działa", tylko outcome-based grading: kod jest oceniany według konkretnych kryteriów — bezpieczeństwo, pokrycie testami, zgodność z konwencjami projektu, wydajność. Wynik: lista znalezisk z poziomem pewności i wagą.

Dlaczego Fable 5

Fable 5 ma lepszy code review niż jakikolwiek poprzedni model — wyższą precyzję i recall przy znajdowaniu bugów. Co ważniejsze: przy effort high raportuje wszystkie znaleziska z confidence level, a nie filtruje po ważności. To kluczowe dla narzędzi CI/CD, gdzie chcesz pełne pokrycie, a ranking robisz downstream.

Architektura

Używasz Task Budgets, żeby model wiedział, ile ma tokenów na review całego PR:

{
  "model": "claude-fable-5",
  "max_tokens": 64000,
  "output_config": {
    "effort": "high",
    "task_budget": {"type": "tokens", "total": 200000}
  },
  "system": "Raportuj każde znalezisko z polem confidence (0-1) i severity. Nie filtruj po ważności.",
  "messages": [{"role": "user", "content": "[DIFF]\n[REGUŁY_PROJEKTU]\n\nCode review..."}]
}

Koszt miesięczny

500 PR reviews (średnio 80k tokenów input + 5k output): $650-800/mies.. Jako plugin do GitHub Actions lub GitLab CI — wyceniasz per-seat.

5. Autonomiczny asystent email

Agent czyta skrzynkę, kategoryzuje wiadomości według priorytetów, dla każdej przygotowuje projekt odpowiedzi zgodny z Twoim stylem komunikacji. Nie wysyła bez zatwierdzenia — ale draft jest gotowy, często wymaga tylko kliknięcia "wyślij".

Dlaczego Fable 5

Fable 5 jest bardziej deliberatywny niż poprzednie modele — pyta częściej przy niejednoznacznych przypadkach. To akurat zaleta przy asystencie email: woli zapytać przed wysłaniem projektu odpowiedzi na ważnego klienta niż zgadywać. Adaptacyjne myślenie pozwala mu oceniać kontekst każdej wiadomości (historia wątku, relacja z nadawcą) bez dodatkowych promptów.

Architektura

Multi-agent pipeline z Managed Agents API:

• Agent 1: klasyfikator (Haiku 4.5) — sortuje email do kategorii
• Agent 2: Fable 5 — dla wiadomości oznaczonych jako "wymaga odpowiedzi", czyta historię wątku i pisze draft
• Custom tool: get_email_history(thread_id) — pobiera historię wątku z Twojego klienta email

// Custom tool w sesji agenta
{
  "type": "custom",
  "name": "get_email_history",
  "description": "Pobierz historię wątku email. Wywołaj gdy potrzebujesz kontekstu poprzednich wiadomości.",
  "input_schema": {
    "type": "object",
    "properties": {"thread_id": {"type": "string"}},
    "required": ["thread_id"]
  }
}

Koszt miesięczny

200 wiadomości wymagających odpowiedzi (klasyfikacja: Haiku, drafty: Fable 5, średnio 20k tokenów per draft): $150-250/mies. Klasyfikator na Haiku jest tani, Fable 5 tylko tam, gdzie naprawdę potrzeba.

6. Generator prezentacji z danych

Wrzucasz plik Excel z wynikami sprzedaży. Dostajesz PowerPoint z analizą trendów, wykresami i rekomendacjami — gotowy do prezentacji zarządowi. Nie szablon z danymi, tylko narracja analityczna.

Dlaczego Fable 5

Fable 5 ma wbudowany skill PPTX (przez Managed Agents). Rozumie strukturę prezentacji, dobiera kolejność slajdów, pisze narrację spójną przez cały deck. Przy kodzie generującym wykresy (przez code_execution_20260120) i skilu PPTX dostaje pełną autonomię: od surowych danych do finalnego pliku.

Architektura

// Agent z skills PPTX i code execution
agent = client.beta.agents.create(
  name="Presentation Generator",
  model="claude-fable-5",
  skills=[{"type": "anthropic", "skill_id": "pptx"}],
  tools=[
    {"type": "agent_toolset_20260401"},
    {"type": "code_execution_20260120", "name": "code_execution"}
  ]
)

// W sesji: mount pliku Excel, kickoff z opisem odbiorców i celu
session = client.beta.sessions.create(
  agent=agent.id,
  environment_id=env_id,
  resources=[{"type": "file", "file_id": excel_file_id, "mount_path": "/workspace/data.xlsx"}]
)

Koszt miesięczny

50 prezentacji miesięcznie (średnio 100k tokenów input + 30k output + code execution): $200-350/mies.

7. Multi-agent pipeline do content marketingu

Jeden brief wchodzi, wychodzi: artykuł SEO, posty na LinkedIn i Twitter, newsletter, brief dla grafika. Każdy element zgodny z brand voice, zoptymalizowany pod odpowiedni kanał, gotowy do publikacji.

Dlaczego Fable 5

Fable 5 ma "silniejszy głos" niż Opus 4.8 — cieplejszy, bardziej bezpośredni, bez hedgingu. Dla content marketingu to istotna różnica. Jako koordynator multi-agent pipeline zarządza subagentami (per kanał komunikacji), utrzymując spójność brand voice przez cały pipeline.

Architektura

// Coordinator z subagentami per kanał
agent = client.beta.agents.create(
  name="Content Coordinator",
  model="claude-fable-5",
  system="Koordynujesz produkcję contentu. Brand voice: [OPIS]. Deleguj per kanał.",
  multiagent={
    "type": "coordinator",
    "agents": [
      article_agent_id,    // Sonnet 4.6 — długie formy
      social_agent_id,     // Haiku 4.5 — krótkie posty
      newsletter_agent_id  // Sonnet 4.6 — email
    ]
  }
)

Coordinator na Fable 5, subagenci na tańszych modelach — płacisz za intelligence tylko tam, gdzie jest potrzebna.

Koszt miesięczny

40 kampanii (1 brief → 4 formaty): coordinator ~20k tokenów, subagenci ~150k tokenów łącznie na Sonnet/Haiku: $180-280/mies.

8. Debugger legacy kodu

Ładujesz cały projekt (50k-200k linii kodu), opisujesz bug lub zachowanie, które chcesz zmienić. Agent rozumie architekturę, lokalizuje przyczynę i proponuje fix z wyjaśnieniem, dlaczego akurat to miejsce i dlaczego to rozwiązanie.

Dlaczego Fable 5

Legacy codebase to setki plików wzajemnie się referencjonujących. Przy małym oknie kontekstu musisz zgadywać, które pliki są relevantne. Przy 1M tokenach ładujesz wszystko i pozwalasz modelowi samemu znaleźć połączenia. Fable 5 rozumie długie łańcuchy zależności, które gubią mniejsze modele.

Architektura

Używasz prompt caching dla stabilnej części codebase — płacisz za zapis raz, potem każde zapytanie korzysta z cache:

{
  "model": "claude-fable-5",
  "max_tokens": 64000,
  "system": [
    {
      "type": "text",
      "text": "[CAŁY_CODEBASE_500K_TOKENÓW]",
      "cache_control": {"type": "ephemeral", "ttl": "1h"}
    }
  ],
  "messages": [{"role": "user", "content": "Bug: NullPointerException w linii 347..."}]
}

Pierwsze zapytanie: pełny koszt. Kolejne w ciągu godziny: cache read (~0.1x ceny) — istotna oszczędność przy iteracyjnym debugowaniu.

Koszt miesięczny

20 sesji debugowania (500k tokenów input per sesja, z cache: skutecznie ~50k + 10k output): $200-400/mies.

9. Asystent badań naukowych

Wrzucasz 50 artykułów naukowych (PDF). Agent syntezuje stan wiedzy, identyfikuje sprzeczności między badaniami, wskazuje luki i generuje sekcję "Related Work" gotową do manuskryptu. Ze wszystkimi przypisami.

Dlaczego Fable 5

High-resolution vision do 2576px — tabele i wykresy z artykułów są odczytywane precyzyjnie. 1M okno kontekstu — 50 artykułów po 20 stron każdy wchodzi naraz. Adaptacyjne myślenie na poziomie high — model naprawdę analizuje metodologię, a nie tylko streszcza abstrakty.

Architektura

// Upload artykułów przez Files API, referencja w wiadomości
uploaded_files = [client.beta.files.upload(file=open(f, "rb")) for f in papers]

messages = [{
  "role": "user",
  "content": [
    {"type": "text", "text": "Przeanalizuj te artykuły i napisz syntezę literatury..."},
    *[
      {"type": "document", "source": {"type": "file", "file_id": f.id}}
      for f in uploaded_files
    ]
  ]
}]

response = client.beta.messages.create(
  model="claude-fable-5",
  max_tokens=128000,
  output_config={"effort": "high"},
  messages=messages,
  betas=["files-api-2025-04-14"]
)

Koszt miesięczny

20 przeglądów literatury (50 artykułów każdy, ~600k tokenów input + 30k output): $750-1000/mies.. Dla lab badawczego oszczędza tygodnie pracy doktorantów.

10. Personal AI Coach z pamięcią długoterminową

Coach, który pamięta wszystkie poprzednie rozmowy, Twoje cele, postępy i preferencje komunikacji. Nie zaczyna od nowa przy każdej sesji — buduje na fundamencie historii i dostosowuje podejście do tego, co już wie o Tobie.

Dlaczego Fable 5

Fable 5 jest bardziej deliberatywny — pyta gdy coś jest niejednoznaczne, nie zgaduje. To dokładnie to, czego chcesz od coacha. Memory Stores w Managed Agents API pozwalają na persistentną pamięć między sesjami bez żadnego dodatkowego kodu po Twojej stronie.

Architektura

# Jednorazowe stworzenie memory store i agenta
memory_store = client.beta.memory_stores.create(
  name="user_123_coaching_memory",
  description="Cele, postępy, preferencje i historia sesji coachingowych użytkownika."
)

agent = client.beta.agents.create(
  name="Personal Coach",
  model="claude-fable-5",
  system="""Jesteś osobistym coachem. Przed każdą sesją sprawdź pamięć pod /mnt/memory/coaching/.
  Notuj nowe ustalenia, postępy i zmiany celów. Buduj na tym, co już wiesz.""",
  tools=[{"type": "agent_toolset_20260401"}]
)

# Każda sesja: mount memory store
session = client.beta.sessions.create(
  agent=agent.id,
  environment_id=env_id,
  resources=[{
    "type": "memory_store",
    "memory_store_id": memory_store.id,
    "access": "read_write",
    "instructions": "Tutaj jest historia coachingu. Czytaj przed sesją, zapisuj po."
  }]
)

Koszt miesięczny

100 użytkowników, 2 sesje tygodniowo każdy (średnio 30k tokenów per sesja): $500-700/mies. Jako subscription per user: 100 × $15/mies = $1500 przychodu przy ~$600 kosztu modelu.

Jak dobierać effort i kiedy używać Fable 5

Fable 5 nie jest dla wszystkiego. Reguła prosta:

• Używaj Fable 5, gdy zadanie wymaga: długiego kontekstu (>200k tokenów), wielogodzinnej autonomicznej pracy, złożonego rozumowania przez wiele kroków lub gdy quality matters more than cost
• Używaj Sonnet/Haiku dla: klasyfikacji, prostych ekstrakcji, generowania krótkich treści, subagentów w pipeline gdzie robota jest rutynowa
• Effort: xhigh dla kodowania i pracy agentowej, high jako rozsądny default, medium gdy koszt ma znaczenie, low dla subagentów i zadań prostych

Każda z powyższych aplikacji ma jeden wspólny mianownik: są to zadania, przy których słabszy model nie zawiedzie spektakularnie — zawiedzie po cichu, produkując pozornie sensowny output, który okazuje się błędny dopiero przy dokładnej analizie. Fable 5 kosztuje więcej, ale redukuje ten konkretny rodzaj ryzyka.