Anthropic核心工程主管Felix指出，绝大多数用户对AI的使用方式存在误区，对模型的潜力挖掘严重不足。作为Claude.ai、Cowork和Claude Code Desktop的工程开发负责人，Felix目睹了从辅助发现新行星、创作高水平AI音乐视频到革新数学研究等惊人案例。然而，更多用户仍仅将顶级大模型用于查询基础信息或润色邮件等琐碎任务。
数学家陶哲轩曾评价，模型在某些领域表现卓越，而在其他方面则显不足。这种两极分化的根源，在于使用者是否具备足够的“野心”去驾驭AI。Felix将这种野心划分为四个维度：速度、高度、深度与广度。其中，“速度”指利用AI提升日常工作效率，这是最基础的经济价值；而真正拉开差距的，则是后三种维度的跃迁。
第一种跃迁：提升任务的高度
“高度”要求用户不要将模型局限于具体步骤，而是将其推向更高的抽象层，直奔最终目标。
Felix以自身经历为例：最初他仅让Claude修复具体的程序崩溃报错，随后转变为要求“保证所有应用零崩溃”。为实现这一高阶目标，他赋予模型抓取崩溃报告、匹配代码版本及在各环境中自主复现和验证修复方案的权限。
在办公场景中，这一逻辑同样适用。以季度业务汇报为例：
- 基础用法：将数据填入PPT模板。
- 进阶用法：输入所有原始数据，让模型分析季度成因、现状及后续策略。
- 高阶用法：让模型识别当前最紧急的三个决策，并列出正反论据。
- 终极用法：基于历史数据重新设计实时预警机制，旨在帮助管理层提前发现隐患并调配资源，并与原有流程并行测试。
第二种跃迁：挖掘思维的深度
“深度”意味着逼迫模型像行业顶尖专家一样思考，触及底层数据、工具及核心问题。
1. 强制使用专家级工具
仅让模型扮演专家角色往往只能改变其词汇风格，而非工作方法。应坚决要求模型编写代码调用数据库，构建真实的统计模型，而非仅生成Markdown表格。
2. 设定看似不可能的目标
当面临如“网站加载时间从10秒降至5秒”的需求时，直接要求降至200毫秒。即便模型表示困难，也应强调其可行性并要求继续推演，以此激发模型的极限潜能。
3. 用原始数据验证常识
业务中的既定常识往往是粗糙的近似。例如，若团队认为用户流失源于新手引导不佳，应将原始日志交由模型分析，从底层数据验证该假设的真实性。
4. 发掘认知盲区
利用模型基于日志构建用户行为模拟器，识别人类尚未察觉的早期流失信号，并通过未见过的数据测试预测准确度。
5. 引入外部客观裁判
禁止模型自我评估。必须提供外部工具或可执行环境，让模型运行代码并获取即时、客观的反馈。
通用提示词逻辑建议：“我需要该任务的更深版本。请列举领域顶尖专家会采用的未经加工的数据、具体工具及专业方法，并说明用于验证结果正确性的外部客观标准。最后，依据这些标准重写我的需求。”
第三种跃迁：拓展学科的广度
“广度”旨在引入跨学科的专业力量解决当下问题。
1. 将名词转化为动词
透过现象看本质。例如，“汇报胶片”的本质并非幻灯片，而是“在30分钟内让忙碌的管理层理解因果关系并在不确定性中做出决策”。明确动作本质后，所需的专业领域便清晰可见。
2. 组建多角色专家团队
为交付高水准成果，可同时调动分析师、记者、编辑、设计师及音频专家。甚至可引入做空机构研究员和法务会计，从反向审查角度挑刺。关键在于要求模型严格执行对应角色的调研和分析方法，而非简单的语气模仿。
突破心理边界：工具已就绪，缺的是胆量
实现上述三种跃迁的前提，是将模型置于拥有真实工具的环境中，赋予其操作系统权限、软件安装权及数据接口访问权。
历史上限制成就的往往不是能力，而是自我设定的边界。心理学称之为“自我效能感缺失”。米开朗基罗曾因自认是雕塑家而拒绝绘制西斯廷礼拜堂壁画，即为典型例证。
突破心理壁垒的方法包括：
- 设定极度困难的具体目标：正如数学家乔治·丹齐格误将未解难题当作作业并成功解答，高难度目标能激发超越常态的表现。
- 观察先行者：人类突破一英里跑进四分钟的极限后，短时间内多人跟进破纪录，证明榜样力量能打破心理限制。
- 允许失败与松弛：Linux初开源时仅被视作业余爱好，不紧绷的状态往往能带来最佳表现。
鉴于AI模型以周为单位快速进化，工具准备已然充分。当下最需要更新的，是用户下达目标时的胆量与视野。
--end--