导读
每天打开对话框，很多人给大模型派发的任务其实大同小异：帮我把这段话润色得委婉一点、查查这行报错是什么意思、把这份会议纪要整理成三个要点。
这些操作确实省下了一些时间。但如果把视角拉长到一整年，就会看清一个略显尴尬的事实：我们手里握着计算技术史上扩张最快的智力工具，日常却普遍把它当成了一台反应稍快的打字机。
负责 Claude 桌面端开发的 Anthropic 工程师 Felix Rieseberg 最近专门撰文探讨了这个问题。他提出一个很直接的观察：阻碍人们从大模型拿到成倍收益的瓶颈，大多卡在人类自身的野心太小，模型的能力其实远未被用满。
受限于以往的分工习惯，很多人用新工具时，下意识就把任务切碎成最稳妥的零碎活。要跳出这种原地踏步的循环，需要主动走出单纯追求做题速度的习惯，向高度、深度和跨界广度三个方向拓展。
速度陷阱：把琐事做快十倍，上限依然很低
在讨论更高阶的用法之前，需要先看清大多数人停留的第一层级：速度。
把手写两小时的模版代码压缩到二十分钟，或让模型几十秒写出一封邮件草稿，这种提效切实存在，也有清晰的收益。但如果用法只停留在这一步，就很容易困在速度陷阱里。
单纯追求速度，事情依然在原有的低效轨道上打转。 如果日常工作原本就充斥着零散琐事，就算速度翻倍，结果无非是一天多处理了几批杂务，整套工作机制的产出上限丝毫没有提升。
在 Felix 看来，省时间只是大模型最基础的价值。想靠它撬动数量级的产出飞跃，必须跨过这种微观修补，向另外三个维度发力：
-
• 向上走，拉升抽象高度，追问终极目标； -
• 向下走，下沉专业硬度，直接使用原始素材并设立外部裁判； -
• 向宽处走，打破学科边界，把静态事物还原为动态行动。
向上拉升高度：从修单个报错，到给全局结果搭环境
拉升高度的第一步，是把注意力从眼前的执行动作，转移到背后的系统结果上。
在普通的开发场景里，工程师最习惯的交互方式往往是：抓取一段控制台里的报错日志，粘贴进输入框，然后让模型给出一行修复代码。修完这一处，跑起来遇到下一个报错，再重复一遍。
换到更高的视角，思考方式就截然不同。Felix 分享了他们团队的实际打法：比起让模型修复眼前的一处崩溃，更有效的做法是把目标定为让整个多平台应用保持零崩溃状态。
从修补一处偶发错误到维持全局稳定，表面看只是目标定得更大，底层的协作机制却彻底变了。
如果你只给模型一个文本输入框，它无论如何都无法完成这种高阶目标。拔高高度必须伴随着作业环境的彻底重塑：
-
1. 模型必须能够直接访问底层的代码仓库与版本演进历史； -
2. 模型需要拥有能够抓取生产环境崩溃日志的监控通道； -
3. 系统必须为它提供可以在真实多操作系统（macOS、Windows、Linux）中自主拉起构建、重现问题并运行测试的沙箱环境。
没有真实执行环境作为支撑，再宏大的目标也只是悬在空中的提问。 一旦模型拥有了环境权限与排查工具，它的身份就直接转变为可以自主定位根因、提交改动并跨系统验证的独立作业闭环。
向下扎进深度：拒绝二手摘要，必须引入客观裁判
拉升深度的核心，在于拒绝平庸且经由二手消化的表面结论，逼近专业领域最底层的作业标准。
很多时候，人们对大模型的产出感到失望，原因出在提问者自身设定的标准太低。让模型做一份行业分析，模型随手吐出几张对齐工整的表格和几段宏观叙事，大部分人就草草收工。但这类内容通常充斥着正确的废话，没有任何可以在真实世界指导决策的硬度。
严肃的专业判断从来不靠二次加工的摘要。走向专业深度的第一步，是直接把最原始、未清洗的原生数据交到模型手里。
建立专业深度，离不开两个具体抓手：
-
• 直面原始材料与专业工具：跳过概念层面的互相搬运，让模型直接处理未加工的数据库日志、财务底层明细或业务流水，并让它编写脚本运行统计模型、推导置信区间。 -
• 确立客观的外部裁判：最重要的一点，绝不能让模型给自己打分。
大模型天生具备迎合用户的语言惯性，在缺乏物理约束的纯文本语境下，它很容易自圆其说甚至掩盖错误。必须引入与模型主观意志毫无关系的客观外部验证机制：
-
• 编写确定性的自动化单元测试； -
• 将生成的结果代入真实的编译器或数据库运行； -
• 依托外部性能基准指标与业务底线进行实证校验。
为了在日常提问中逼出这种深度，Felix 分享过一个极具启发的高野心提问模版：
我要的是这项任务更深度的专业版本。在重写或执行前，先回答四件事：
- 1. 这个领域的顶尖专家在这个场景下会做哪些我还没想到的事情？
- 2. 比起眼前这些二手摘要，他们会从哪些最底层的原始素材开始？
- 3. 他们会使用哪些具体的专业方法和工具链？
- 4. 除了你和我之外，还有什么客观机制或外部指标能够证明这个结果是正确的？
随后，请按照这个标准重写我的任务需求并开始执行。
向外拓展广度：把静态名词还原为动词，拉入多元对立角色
探索广度的价值，在于跳出单一专业视角的路径依赖，把跨领域的思考框架引入当下问题。
在常规流程中，我们习惯于接受既定的事务载体。比如管理层要求准备一份季度业务复盘，大家脑海里浮现的往往是一个静态的名词：一份数十页的演示文档。一旦被名词框住，交给 AI 的任务自然变成了调整版式风格、梳理要点结构。
Felix 借鉴了设计思维中的一个经典心法：把静态的名词还原为动态的行动。
一份业务复盘胶片背后的行动到底是什么？答案是：在三十分钟的高效会议里，让背负不同利益诉求的高管看懂因果脉络，并在巨大不确定性中达成资源分配的共识。
把静态名词拆解为具体行动后，整个任务所调用的能力范畴完全打开了：
-
• 需要结合认知心理学，摸准高管在前二十分钟里的注意力衰减曲线； -
• 需要借鉴深度调查的证据链逻辑，搭建经得起推敲的事实验证闭环； -
• 需要引入风控分析师的视角，对各种乐观预估做严苛的压力测试。
沿着这种行动逻辑，调度模型的方式也顺理成章地升级为组建跨界审查组合。可以给它分配立场对立、职责互搏的多重角色：
-
• 事实核查员：专门深挖隐藏在漂亮报表背后的反常数据与细小漏洞； -
• 逆向风控官：站在对立面全力挑刺，搜寻整个推导链条中最薄弱的假设； -
• 主编：大刀阔斧删掉所有对最终决策无益的修饰语和客套话。
通过不同立场的交锋与对抗，打磨出来的方案远比单向顺水推舟的草稿更有韧性。
总结与思考
从把 AI 当作打字机，到让它协同驱动复杂任务，靠的从来不是几句神秘的提示词，关键在于工作流的重新设计：
-
1. 警惕线性的速度陷阱：快速完成低价值杂务无法提升整体产出上限，价值倍增取决于拉升抽象高度、深扎专业细节与拓宽跨界视角。 -
2. 拉升高度必须依托运行环境：目标定得再高，也需要为模型提供真实的代码库读取、日志收集与沙箱测试权限。缺少执行环境的支撑，高目标就很难真正闭环。 -
3. 追求专业深度需要原始数据与客观裁判：跳过二手信息，直接给到底层未加工的数据源与专业计算脚本；同时坚决不让模型自我裁判，由外部编译、测试与客观指标严格验资。 -
4. 还原动词以激活多重视角：跳出既定材料载体的框框，把事情拆解为具体的人际与决策行动，拉入多方对立角色互相挑刺磨砺。 -
5. 人在协同中的角色演进：当模型能够承接复杂闭环，人类的主要精力自然从机械性的执行操作，转移到终极目标的设定、运行环境的搭建，以及验收标准的严格把关上。