Claude 团队的工程经理 Felix Rieseberg 写了一篇很有意思的文章：有了越来越强的模型，我们该怎样跳出原来的任务清单，去做过去没想过、也不敢尝试的事？他从一份季度汇报出发，谈目标的高度、工作的深度和跨领域的广度。以下为全文翻译。
我参与 Claude 的开发。这是一种很有意思的体验：每天，我都会听说又有人借助 Claude，或者直接让 Claude，做成了一件我没想过、以为不可能，或只是没好奇心和时间去尝试的事。这个月，它可能帮人发现了一颗新行星；我看到了第一支真正喜欢的 AI 音乐视频；大家也开始讨论数学的一个新时代。
模型的能力并不是均匀增长的。正如陶哲轩所说，它们“在某些方向上令人惊叹，在另一些方向上却能力不足”。有些人驾驭住了那些惊人的能力，仿佛已经飞了起来——看着人们用我参与开发的产品抵达不可思议的高度，实在让人上瘾。还有很多人仍在摸索怎么让这对新翅膀动起来：除了问“法国的首都是哪里”，或者“能不能把这封邮件改得没那么生气”，它们究竟还能做什么？
我和其他一些做 AI 的人，经常呼吁大家在使用 AI 时更有野心一点。这已经成了一句口号。每次看到令人惊艳的成果，我们就转发，再写一句“我们的野心还不够大”。我知道，这个建议真要做起来并不容易。所以，这里是一份教你如何更有野心的指南。
我把这种野心分成四个维度：速度、高度、深度和广度。
- 速度
用更少的时间完成同样的工作。这是 AI 创造经济价值最基本的方式：你需要写一些代码，我用 Claude 就能写得更快。这种用法已经相当成熟，也不太需要你在使用 AI 的方式上发挥创造力，所以这里就不展开了。 - 高度
提高抽象层次，考虑最终结果，而不只是眼前的某一项任务。 - 深度
像这个领域最顶尖的专家那样看待任务。不停留在任务表面，而是再深入一层，接触底层的数据、工具和问题。 - 广度
不只借助任务表面上需要的那个领域，而是调动多个领域，用上平时不会使用的知识、工具和方法。
我主要用 Claude（这还用说），不过这些建议并不针对某一个模型。
高度
我们常常随口把这称为“让模型在更高的抽象层次上工作”。你给模型分配任务时，它执行的，其实是你对“怎样得到想要的结果”的最佳猜测。想在高度上更有野心，就问问自己：接下来，你真正希望发生什么？目标背后的目标是什么？去年年初，我还在让 Claude 帮我修复一次次具体的崩溃。后来，我开始直接让它保证我们的应用不崩溃。
来看一项日常的办公室任务，甚至可以说有点无聊。假设你在一家虚构的公司 Acme Inc 工作，需要为季度业务回顾（QBR）准备一套幻灯片。给 Claude 一堆数据，它会很乐意帮你做出来。也许你连模板都有了，只需要让它填进去。这当然很难和发现一颗新行星相提并论。那么，我们可以怎样具体地把目标定得更大一点？先从基础的开始，一步步往上走：
-
大多数业务回顾想弄清楚的，无非是这个季度发生了什么变化、为什么会这样，以及接下来该怎么办。别急着只更新模板里的那些数字。尽可能把能拿到的数据交给模型，让它理解你的业务：“告诉我，这个季度发生了什么变化、为什么，以及我们应该怎么做。” -
会议——至少是那些开得有价值的会议——理想情况下应该以几项决定结束。你可以问 Claude：“根据你掌握的全部情况，找出最迫切需要作出的三个决定，着手研究可能的方向，并分别列出支持和反对的理由。” -
季度业务回顾诞生于这样一个时代：做好回顾，需要人类仔细筛选数据，弄清数据意味着什么，以及业务是否需要调整。问问 Claude：“做业务回顾，是为了让管理层尽早发现问题，把资金和人员放到正确的地方。请设计一种比每季度做一套幻灯片更好的办法，用我们自己的历史数据证明它本可以更早发现问题，再让它与现有流程并行运行一个季度。”
如果你真正追求的是某种最终结果，提高高度这种做法最有效；放在创意工作中，它就没那么适用。有个很明显的信号：如果你正在做的东西，之后还要专门开会讨论，那么不妨试着在高度上更有野心。当然，目前仍有边界。到了 2026 年，对大多数企业来说，光说一句“Claude，去赚钱”，似乎还是不够。但总体上，我观察到，模型越强，似乎就越能在更高的抽象层次上工作。
提高高度，还能帮助人们找到可以长期运行、无需人类不断介入的工作流，让你不必一项接一项地继续给模型派任务。要做好这件事，往往得先改变自己的工作方式。比如，要让 Claude 保证我们的应用不崩溃，我首先得让它能方便地获取崩溃报告，弄清每个应用版本对应哪个 Git 提交，还要让它能使用 Windows、macOS 和 Linux 电脑，这样它才能真正独立复现问题，并验证修复是否有效。
深度
有时，你就是想把一项任务做得特别好。在深度上更有野心，意味着推动模型使用这个领域最优秀的专业人士所采用的工具、技术、媒介和知识——而且继续往前推，直到连这些专业人士都可能从你的工作中学到新东西。
继续用 Acme Inc 的季度业务回顾幻灯片作例子。假设这家公司遇到了一些用户流失问题，也就是客户随着时间推移而离开。我发现，把下面几种做法结合起来很有帮助：
- 坚持使用业内顶尖人士的工具
当你要求模型像专业人士那样工作时，它们常常只是换了套词汇，却没有真的换方法。要深入研究这个问题，我们得用上顶尖数据科学家和统计学家使用的那些工具。Claude 想拿 Markdown 表格应付时，就坚持让它用数据库和统计模型。你不一定非得自己知道专家都用些什么，Claude 通常知道。 - 定一个不合理的目标，再告诉模型这很合理
你想把网站加载时间从 10 秒降到 5 秒？那就要求 200 毫秒。模型觉得某件事不可能？再强调一遍：这完全能解决，只是需要继续做下去。 - 挑战你以为自己知道的事
尤其在商业领域，我们认定的许多事实，其实只是对现实的粗略近似。让模型接触原始信息和数据，请它带着挑错的态度检验假设。“我们认为，用户流失是新用户引导出了问题。试着从原始数据里复现这个结论。” - 产生新知识
这一步很容易接在检验已有认识之后。既然 Claude 已经深入数据，就让它找找盲区。“根据我们的日志，建立一个能够复现过去一年情况的客户仿真模型。然后找出一个我们尚不知道的、最早预示流失的信号，并用它没见过的数据证明，这个信号具有预测能力。” - 引入外部评判
不要让模型自己评判自己。我想，随着模型越来越聪明，这个问题最终会得到解决。但在 2026 年 10 月，我还是恳请你坚持使用外部验证。最好是一种模型自己就能运行、并立即获得反馈的工具。
下面这条简单的提示词经常能帮到我：
我想把这项任务做得更深入，而不是把它做得更庞大。在改写任务之前，请先回答： （1）这个领域的顶尖专业人士在这里会做什么，而我还没有提出这些要求？ （2）他们会从哪些最原始的材料入手，而不是从别人已经替我加工整理过的内容入手？ （3）他们具体会用哪些方法和工具？ （4）除了你我之外，还能用什么证明结果是对的？ 然后，重写我的提示词，准确提出上面的这些要求。
广度
简单说，在广度上更有野心，就是从不同领域的视角来看待自己的工作，而且涉及的领域，比过去在成本上划算的范围更广。这并不是什么特别新鲜的见解，每部盗窃题材的电影，开头半小时都在召集各怀绝技的成员。AI 产品越来越容易运行多 Agent 系统，无论是多线程、编排器，还是简单的子 Agent；我也看到，只要力劝 Claude 引入其他领域的知识，就能得到很有意思的结果。
真正实践起来并不容易，因为这需要你发挥创造力。直到看到同事 Alex Albert 用 Blender 渲染室内设计，我才想到可以让 Claude 为我的个人主页制作三维场景——尽管我以前还做过电子游戏！不过，这也恰恰是我见过最多神奇时刻的地方。
具体怎么做？我会用下面这些方法：
- 试着把名词换成动词
这是 Tom Kelley 和 Jonathan Littman 在《创新的艺术》里介绍的一个老办法。季度业务回顾不是“一套幻灯片”，而是“让忙碌的人在 30 分钟里相信一个关于因果关系的解释，并在不确定中作出决定”。找到了这些动作，我和 Claude 就更容易看出，哪些领域能带来独特而有用的视角。 - 召集队伍
这套幻灯片必须惊艳，否则外星人就要炸掉地球。人类会召集一支怎样的队伍？如果要保证制作水准，我会请来一位分析师、一位记者和一位编辑。要上台演示的话，大概还得有一位动态视觉设计师和一位音效设计师。也许还值得加入一支专门挑错的“红队”，那就再请一位做空者和一位法务会计师。
这里很容易不小心变成角色扮演，让对话记录越来越奇怪，却没有改善真正的结果。用这个办法寻找的是领域和方法。不要让模型像做空者那样写文章，而要让它去做做空者在研究投资判断时真正会做的事。
我上面说的这些做法，都要求模型能使用一台电脑，能够安装软件，也能接触各种相关数据，无论是通过 MCP 连接器，还是其他方式。已经有很多工具能做到这些，我建议你用上其中一种。
这样的事，我们以前也经历过
关于如何更有野心，具体建议就是这些。如果你愿意再留一分钟，我还想说说，为什么我觉得我们首先需要这样做。
一直以来，人类都被自己认定的“什么是可能的”限制着。更糟的是，我们通常只在很狭窄的领域里相信自己。一个著名的例子是，米开朗琪罗并不想为西斯廷礼拜堂作画——毕竟，他是雕塑家，不是画家。
在研究野心这个问题时，我了解到，心理学里有个相关概念，叫作自我效能感（self-efficacy）。简单说，自我效能感高的人更相信自己的能力，也确实能取得更多成就。有证据表明，自我效能感是可以通过一些方法提升的。Locke 和 Latham 梳理了 35 年的目标设定研究后，很有把握地指出：得到具体、困难目标的人，比那些只是被告知“尽力就好”的人表现得更出色。Stripe 创始人 Patrick Collison 维护着一份“Fast”清单，记录人们在大胆目标和紧迫期限之下完成的种种事情。下面几种办法，都有充分的记录：
- 相信难事能做到，进而把它做成
1939 年，George Dantzig 在伯克利的一节统计课上迟到了。他抄下黑板上的两道题，以为那是作业，解完后交了上去。那其实是统计学里的两道未解难题。 - 看见别人做到了，自己也去完成难事
几十年来，人们一直在追逐四分钟跑完一英里。Roger Bannister 于 1954 年 5 月打破了这道门槛，但他只独占了这一成就 46 天。如果你关注跑步，就会发现，两小时马拉松也正在发生类似的事。今年 4 月，Sabastian Sawe 在伦敦跑出了首个正式比赛中的两小时以内马拉松成绩。同一场比赛里，亚军也突破了两小时。 - 允许自己失败，反而完成难事
《网球的内在游戏》似乎是大家最喜欢的商业书，而我上周才发现它。这本书的核心观点是，如果你拼命地、特别用力地想把网球打好，反而打不出自己的最佳水平。我们工程师大概还记得，Linux 刚公布时是这么介绍自己的：“只是个爱好，不会像 GNU 那样庞大而专业。”
自我效能感不是一个新问题，但如今，它的影响更大了。在一个我们的能力每隔几周就会跃升一次的世界里，我们需要一些方法，让自己去做过去压根没考虑过、或者不相信可能做到的事情。如果你找到了其他能让人更有野心的方法，请告诉我！
本文配图为 Francisco Goya 的作品《飞翔的方式》（Modo de volar，A Way of Flying）。
参考链接
-
原文：https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/ -
Claude 与业余天文学家的行星发现报道：https://gizmodo.com/did-claude-help-an-amateur-astronomer-discover-a-new-planet-2000824393?ref=felixrieseberg.com -
原文提到的 AI 音乐视频：https://www.youtube.com/watch?v=AoNnbz237E0&ref=felixrieseberg.com -
陶哲轩：Math 2.0：https://terrytao.wordpress.com/2026/10/10/math-2-0/?ref=felixrieseberg.com -
作者个人主页：https://www.felixrieseberg.com/?ref=felixrieseberg.com -
自我效能感：https://en.wikipedia.org/wiki/Self-efficacy?ref=felixrieseberg.com -
Locke 与 Latham 的目标设定研究回顾：https://med.stanford.edu/content/dam/sm/s-spire/documents/PD.locke-and-latham-retrospective_Paper.pdf?ref=felixrieseberg.com -
Patrick Collison 的 Fast 清单：https://patrickcollison.com/fast?ref=felixrieseberg.com -
Francisco Goya：https://en.wikipedia.org/wiki/Francisco_Goya?ref=felixrieseberg.com