10 个关键问题Q&A

1. Q：作者提出的四类 “雄心” 分别是什么？ A：速度、高度、深度、广度；文章重点讲解高度、深度、广度。
2. Q：什么是 “高度” 层面的雄心？ A：跳出零散操作任务，提升抽象层级，聚焦最终目标，搭建自动化长效工作流。
3. Q：深度维度使用 AI 的核心要点是什么？ A：对标领域专家，使用专业工具，校验固有假设，挖掘数据盲区，引入外部验证。
4. Q：广度维度如何落地？ A：把任务名词转为动词理解本质，虚拟组建跨学科团队，调用多领域分析方法。
5. Q：为什么不建议让模型自行评判输出结果？ A：2026 年当下模型存在局限，模型自评容易失真，需要外部工具或第三方校验。
6. Q：想要实现高阶 AI 协作，需要什么基础条件？ A：模型能够安装软件、访问原始数据，可通过 MCP 等协议对接外部工具。
7. Q：文章提到的心理学概念 “自我效能感” 指什么？ A：个体对自身完成任务能力的信心；信心越强，越容易完成高难度工作。
8. Q：作者举历史案例想证明什么？ A：人的能力上限常常被 “这件事不可能” 的固有认知束缚，突破认知就能实现突破。
9. Q：高度思路适合哪类场景？哪些场景效果一般？ A：适合业务目标类、需要开会决策的工作；在纯创意创作场景效果有限。
10. Q：高阶使用大模型，只靠优化提示词就够了吗？ A：不够，往往需要改造整套工作流程，开放数据、环境权限给模型。

发布时间：2026 年 10 月 13 日 

我从事 Claude 相关工作。这段经历很奇妙：几乎每天，我都会听说有人借助 Claude 完成了某件新壮举 —— 那些我从未设想、本以为不可能，或是单纯缺少好奇心与时间去尝试的事。就在本月，Claude 或许助力一位业余天文学家发现了一颗新行星；我看到了首部由 AI 制作的音乐视频；我们也在讨论陶哲轩提出的 “数学 2.0”。

大模型能力的增长并非均匀同步。正如陶哲轩所说：模型 “在某些领域能力惊人，在另一些方面却仍有不足”。一部分人能驾驭模型那些惊人的能力，仿佛展翅高飞；看着人们用我们打造的产品攀上难以置信的高度，实在令人着迷。但还有很多人，仍在努力适应这双新翅膀，困惑除了问 “法国的首都是哪里” 或者 “能不能把这封邮件改得语气平和一点” 之外，AI 还能用来做什么。

我经常和其他 AI 从业者一起呼吁：我们在使用 AI 时，应当更加大胆进取。这句话已经成了我们的口号。每当看到惊艳的成果，我们就会转发并感慨：“我们的想象力还不够。” 我深知践行这条建议并不容易，因此写下这份指南，教大家如何更有雄心地使用大模型。

我将 “雄心” 划分为四类：速度、高度、深度、广度。

速度：用更少时间完成同等工作量，这是 AI 创造经济价值的基础。如果你需要写一段代码，借助 Claude 就能更快完成。这一点已经十分成熟，对 AI 的使用方式也不需要太多创造力，所以本文不再展开。

高度：提升抽象层级，着眼最终结果，而非一个个零散任务。

深度：以行业顶尖专家的视角处理任务。不停留在任务表层，向下深挖，触及底层数据、工具与核心问题。

广度：跨多学科领域思考，不局限于任务表面所属单一领域，调用平时不会用到的知识、工具与方法。

我日常主要用 Claude（这是自然），但文中这些方法并不局限于某一款大模型。

高度

我们常随口称之为 “让模型在更高抽象层级工作”。当你给模型下达任务时，它只是在执行你猜想的、达成目标的步骤。想要在高度上更有雄心，不妨自问：接下来我想要实现什么？目标背后更深层的目标是什么？去年年初，我还只是让 Claude 逐个修复程序崩溃问题。后来，我直接要求 Claude 保障我们所有应用不发生崩溃。

我们来看一个日常（甚至可以说普通）的办公场景。假设你在一家虚构公司阿克姆（Acme Inc），需要制作一份季度业务复盘（QBR）演示文稿。有一堆数据在手，Claude 可以轻松帮你生成幻灯片。如果你有现成模板，它甚至可以直接填充内容。但这和发现新行星完全不是一个量级。我们一步步提升目标，看看如何让使用方式变得更有雄心：

绝大多数业务复盘，都需要说明本季度发生了哪些变化、变化原因，以及对应的行动方案。不要只想着更新模板里的数字，尽可能把全部数据交给模型，让它理解业务全貌：“梳理本季度发生了哪些变化、背后原因，以及我们应当采取什么对策。”

高质量会议最终要产出决策。你可以这样要求 Claude：“基于所有分析结果，找出三项最紧急的决策事项，并梳理每种方案的支持理由与反对意见。”

季度复盘诞生于这样一个时代：过去需要人工仔细筛选数据、解读含义，再判断业务是否需要调整。你可以对 Claude 说：“复盘的意义，是让管理层尽早发现问题，把人力与资金调配到正确方向。设计一套比季度 PPT 复盘更好的机制；用我们公司过往历史数据证明这套机制可以更早识别风险；接下来一个季度，让这套新机制和现有复盘并行运行。”

高度这套思路最适合追求最终业务结果的场景；用于创意创作时效果有限。一个简单判断标准：如果你需要开会讨论这件事，那么就适合从高度入手。当然模型目前仍存在局限（2026 年，对绝大多数企业来说，只说一句 “Claude，去赚钱” 并不能自动实现盈利）。但总体来看，模型能力越强，就越能在更高抽象层级完成工作。

“高度” 思路也能帮你搭建可长期复用的工作流，减少人的重复介入，不必一次次给模型下达零散任务。想要做到这一点，往往需要改造现有工作流程。比如想让 Claude 保障应用不崩溃，我首先要确保它能获取崩溃日志、识别应用版本对应的 Git 提交记录，还要授予它访问 Windows、macOS、Linux 环境的权限，让它能够独立复现故障、验证修复方案。

深度

有时候，你只是希望把一件事做到极致。深度层面的雄心，就是推动模型使用行业顶尖专家所用的工具、技术、素材与知识，持续挖掘，直到就连领域专家也能从这份成果里获得新启发。

继续沿用阿克姆公司季度业务复盘 PPT 的例子。假设这家公司正面临用户流失问题。下面这些方法对我很有帮助：

1. 坚持使用业内顶尖从业者的专业工具
    如果只是让模型扮演专业人士，它往往只会换一套专业话术，方法却没有改变。想要做到深度分析，就要和顶尖数据科学家、统计学家使用同样的工具。当 Claude 想用 Markdown 表格输出时，要求它使用数据库与统计模型。你不一定需要懂专家用什么工具，Claude 通常了解。
2. 设定看似不合理的目标，并告诉模型这完全可行
    网站加载速度从 10 秒优化到 5 秒？那直接要求做到 200 毫秒。模型如果觉得这件事不可能，反复告诉它：问题完全可解，只需要继续深挖。
3. 挑战固有认知
    商业领域里，很多我们笃定的结论，其实只是对现实粗略的近似。把原始数据交给模型，让它从反面检验我们的假设。例如：“我们认为用户流失源于新手引导环节。用原始数据验证这个结论是否成立。”
4. 产出新知识
   这一点可以承接上面的假设检验。当 Claude 深入挖掘数据后，让它寻找我们尚未发现的盲区。“基于日志搭建客户行为模拟系统，复现过去一年的用户情况。找出我们目前还不知道的、最早的用户流失预警信号，并证明该信号在未见过的数据上依然具备预测能力。”
5. 引入外部评审方
    不要让模型自评结果。我相信随着模型能力提升，这个问题终会被解决，但在 2026 年 10 月，我强烈建议采用外部验证。最好是模型可以直接调用工具，即时获取反馈。

我经常用的一段提示词模板：

我希望对这项任务做深度挖掘，不是单纯扩充内容。在重写提示词前，请依次完成：（1）说明该领域顶尖专家会做哪些我没有要求的工作；（2）写出专家会使用哪些原始素材，而非已经加工整理好的材料；（3）列出专家会用到的具体方法与工具；（4）说明除了你我之外，用什么证据可以证明结果正确。之后重写我的提示词，精准提出以上全部要求。

广度

简单来说，广度层面的雄心，就是从多个不同学科视角看待工作 —— 多到在过去单独依靠人力时，成本根本无法承受。这个观点并不新奇：所有偷盗题材电影，前 30 分钟基本都在组建一支拥有多元技能的团队。随着 AI 产品越来越容易搭建多智能体系统（多线程、编排器、子智能体），我试过让 Claude 引入其他学科视角，得到了非常有意思的结果。

落地实践并不简单，需要创造力。我同事亚历克斯・阿尔伯特用 Blender 渲染室内设计，在那之前，就算我曾经制作过电子游戏，也从来没想过用 Claude 搭建 3D 场景。但在广度这个方向，我见证了最多惊喜。

如何实操？分享几个我的方法：

把名词替换成动词： 这是汤姆・凯利与乔纳森・利特曼在《创新的艺术》里提到的经典技巧。季度复盘不是 “一份 PPT”，而是 “在 30 分钟内，让忙碌的管理者理解一套因果逻辑，并在信息不确定的条件下做出决策”。转化成动词描述后，无论是我还是 Claude，都更容易想到哪些学科能提供独特有效的视角。

组建虚拟团队： 假设这份演示文稿必须做到完美，不然外星人就要毁灭地球。人类会集结一支什么样的团队？想要达到专业制作水准，我会搭配分析师、记者、编辑。如果还要现场演示，可能还要加入动态与音频设计师。还可以组建对抗性红队，引入做空投资者与法务审计师。 注意：不要单纯玩角色扮演 —— 这只会让对话文本变得奇怪，却无法提升最终结果。这个方法的目的是挖掘相关学科与技术手段。不要让模型模仿做空者的文风，而是让它执行做空者调研时用到的分析方法。

想要实现以上所有关于雄心的用法，模型需要一台可以安装软件、访问各类相关数据的计算机（可以借助 MCP 连接器或者其他方案）。现在已有不少工具支持该能力，推荐尝试。

我们曾经历过相似阶段

以上就是如何更大胆地使用 AI 的实操建议。如果你愿意继续往下读，我想聊聊为什么这件事本身至关重要。

人类的上限，一直被我们心中 “什么是可行的” 所束缚。更糟的是，我们往往只在极窄的领域内相信自己。米开朗基罗当年并不想画西斯廷天顶画 —— 要知道，他自认是雕塑家，不是画家。

在研究 “雄心” 这个主题时，我发现心理学中有一个对应的概念：自我效能感。简单讲：自我效能感高的人更相信自身能力，进而能取得更多成果。有证据表明自我效能感可以主动提升：洛克与莱瑟姆梳理了 35 年目标设定相关研究，得出结论：设定明确且有挑战性目标的人，更容易取得突破。Stripe 创始人帕特里克・科里森维护了一份清单，记录人类在大胆目标与紧迫期限下完成的诸多壮举。几个已被验证的提升方法：

1. 相信难事可行，方能攻克难事
    1939 年，乔治・丹齐格在伯克利统计课迟到，抄下黑板上两道题目当成作业完成。而那两道题，是当时尚未解决的统计学难题。
2. 看见别人做到，自己也能攻克难事
    数十年来，人类一直挑战 4 分钟跑完一英里的纪录。1954 年 5 月，罗杰・班尼斯特打破纪录，而仅仅 46 天后，就有其他人也做到了。长跑圈现在正在见证类似的事：塞巴斯蒂安・萨维今年 4 月在伦敦跑出首个正式破 2 小时马拉松成绩；同场比赛亚军也跑进 2 小时大关。
3. 允许自己失败，才敢挑战难事
    最近我才读到那本很多人推崇的商业书籍《网球的内在游戏》。书的核心观点：当你拼尽全力硬扛时，反而打不出最好的网球。我们工程师或许会想起 Linux：当年它被发布时，作者只说 “这只是个爱好，不会像 GNU 那样庞大专业”。

自我效能感并不是新问题，但在当下，它的影响力变得更强。如今我们的能力每隔几周就会迎来跃升，需要一些方法，去完成那些原本不敢设想、不相信能做到的事。如果你发现更多可以激发雄心的技巧，欢迎告诉我！

本文配图为弗朗西斯科・戈雅作品《飞行的方式》。

费利克斯・里泽贝格任职于 Anthropic，工程经理，曾主导 Claude.ai、Cowork、Claude Code Desktop 的工程研发。Electron 以及多个开源项目的联合维护者。曾先后在 Notion、Stripe、Slack、微软从事相关工作。

术语注释（便于阅读）

1. Self-efficacy：自我效能感，班杜拉提出，指个体对自己能否完成某一行为所进行的推测与判断
2. QBR：Quarterly Business Review，季度业务复盘
3. MCP：Model Context Protocol，模型上下文协议，用于大模型对接外部工具、数据的标准协议
4. Red team：红队，对抗性测试团队，从反面寻找漏洞、质疑结论
5. Churn：用户流失率
6. Four-minute mile：4 分钟一英里长跑（经典人类极限突破案例）