被 500 万人围观！Claude工程负责人：“大家用AI都太怂了，不够有野心！”

写 Prompt 时，你是否习惯以「你是一位有 20 年经验的 xxx 专家」开头？Anthropic Claude 工程负责人 Felix Rieseberg 指出，这种角色扮演往往只改变了 AI 的措辞，而非工作方法。要真正发挥 AI 潜力，用户需提升对 AI 的「野心」。

Felix 将「野心」拆解为四个维度：速度（已普及）、高度、深度和广度。本文将重点解析后三者，并介绍如何将其封装为 Claude Code 的 Skill 以提升任务执行质量。

01｜用 AI 的「野心」到底指什么？

尽管 AI 能力日益增强，许多用户仍将其用于基础问答或简单润色。Felix 认为，提升 AI 效能的关键在于拓展任务的边界：

• 高度：关注最终结果而非单一任务，向上抽象目标。
• 深度：像顶尖专家一样处理问题，深入底层数据、工具和问题本质。
• 广度：跨界借用其他领域的知识、工具和方法。

以修复接口超时 Bug 为例：速度是快速修复；高度是建立持续监控机制；深度是通过日志、火焰图和压测定位根因；广度则是引入航空业事故复盘等方法论进行分析。

02｜高度：你交代的任务，到底是为了什么？

提升「高度」意味着在动手前先问：做完这件事后，希望发生什么？Felix 以季度业务复盘（QBR）PPT 为例，展示了如何将任务层层递进：

从填模板到辅助决策

第一步：分析业务实质。不让 AI 直接填数字，而是提供完整数据，让其回答：本季度发生了什么变化？原因是什么？下一步行动建议？

第二步：辅助决策。要求 AI 找出当前最紧迫的三个决定，列出支持及反对理由，为会议决策做准备。

第三步：重构流程。质疑 PPT 形式的必要性，设计一种能更早发现问题、优化资源配置的新方法，并与现有流程并行验证。

判断标准：若任务后续需开会讨论并行动，则值得提升高度；纯创作类任务则不适用。同时，提升高度需铺垫基础设施，如让 AI 访问崩溃报告、Git 提交记录及多平台测试环境，使其具备复现和验证能力。

03｜深度：为什么「扮演专家」不管用？

「深度」要求模型使用顶尖从业者的工具和方法，直至产出连专家都能借鉴的成果。Felix 提出了五项具体策略：

坚持使用行业顶尖工具

避免让 AI 仅输出 Markdown 表格，强制其使用数据库、统计模型等专业工具。若不确定专家所用工具，可直接询问 AI。

设定「不合理」的高目标

将目标大幅提高（如加载时间从 5 秒压至 200 毫秒），迫使 AI 放弃表面优化，转而重构架构或渲染方式。目标层级决定了方案的深度。

挑战既有假设

要求 AI 接触原始数据，主动寻找推翻现有结论的证据，而非顺从用户预设进行验证。

产出新知识

让 AI 在数据中寻找盲区，例如构建行为模拟，找出预示用户流失的新信号，并在未见过的数据上验证其有效性，防止过拟合。

引入外部裁判

避免 AI 自我评估，利用单元测试、Benchmark、Lint 等可自动运行的工具作为外部验证标准，确保结果客观可信。

深度 Prompt 模板

Felix 推荐的核心 Prompt 逻辑如下：

I want a deeper version of this task, not a bigger one. Before rewriting it:
(1) say what a top professional in this field would do here that I'm not asking for;
(2) name the rawest material they would start from instead of what has already been digested for me;
(3) name the specific methods and tools they would use;
(4) say what, other than you or me, would show the result is right.
Then rewrite my prompt to ask for exactly that.

04｜广度：怎么让 AI 带来别的行业的方法？

「广度」旨在引入跨领域视角。Felix 建议通过以下两招实现：

招式一：把名词换成动词

将交付物描述转化为动作描述。例如，将「季度复盘 PPT」转化为「在 30 分钟内让忙碌的管理层相信因果关系故事并做出决策」。由此可引入记者、编剧、投资人等角色的方法论。

招式二：组建多学科团队

假设任务至关重要，组建包含分析师、记者、编辑及「红队」（如做空者、法证会计师）的团队。重点在于借用其研究方法而非模仿文风，以发现潜在漏洞。

注意：实现高度、深度和广度的前提是 AI 需具备运行软件、接入数据（如通过 MCP）的能力，仅在网页对话框中聊天无法充分发挥这些策略。

05｜为什么我们总是低估自己？

心理学中的「自我效能感」表明，明确且有难度的目标比「尽力而为」更有效。Felix 列举了三种提升信心的方法：相信它能做到（如 Dantzig 解出难题）、看别人做到（如 Bannister 突破四分钟英里）、允许自己失败（如 Linus 初期对 Linux 的定位）。

程序员使用 AI 的最大限制往往是预设「AI 搞不定」，从而在尝试前就缩小了任务范围。

06｜怎么把这套思路做成 Skill？

为确保方法论落地，可将上述逻辑封装为 Claude Code 的 Skill。该 Skill 名为 ambitious，执行流程如下：

1. 高度：询问用户最终目标，若值得则提升任务层级。
2. 深度：运行深度四问，设定高量级目标。
3. 广度：名词转动词，组建含挑错角色的虚拟团队，借用方法而非角色扮演。
4. 方案确认：输出改写后的任务、工具、目标及验证方式，待用户确认后执行。

SKILL.md 配置示例

---
name: ambitious
description: 按 Felix Rieseberg 的「高度、深度、广度」三种野心，把一个普通任务改写成更有野心的版本，先出方案、等确认再动手。用户输入 /ambitious 时使用。
argument-hint: [你的任务]
disable-model-invocation: true
---

# 更有野心地完成任务

用户的任务：$ARGUMENTS

先别开工。按下面四步把任务想高、想深、想宽，输出方案，等用户确认后再执行。

## 第一步：高度，找到目标背后的目标

- 问自己：用户做完这件事之后，希望发生什么？谁会看这个结果，看完要做什么决定？
- 如果更高一层的目标更值得做，就把任务往上抬一层，写清楚抬升后的任务是什么。
- 做完还要开会讨论、还要有人接着跟进的任务，适合往上抬；纯创作或一次性的小任务，保持原来的层级。
- 不要抬到空泛（比如「帮我赚钱」）。抬升后的目标必须能在当前环境里验证。

## 第二步：深度，像顶尖从业者那样做

我要的是更深的版本，不是更大的版本。先回答四个问题：

1. 这个领域的顶尖从业者，会做哪些用户没提的工作？
2. 他们会从哪些最原始的材料入手，而不是用别人整理好的东西？
3. 他们具体用什么方法和工具？写出名字，不要只写「专业地」。
4. 除了你和用户的判断，还有什么能证明结果是对的？比如测试、基准数据、截图比对、真实数据。

然后定一个「野心目标」：比用户原本的期望高出一个量级，并且明确告诉自己这个目标是能做到的。

## 第三步：广度，借其他领域的方法

1. 名词换动词：把要交付的东西（「一个页面」「一份 PPT」）改写成它要完成的动作（「让第一次来的人 10 秒内记住我是谁」）。
2. 组队：假设这件事极其重要，列出 3～5 个你会请来的专业角色，其中至少一个专门挑错。
3. 每个角色只写一句：他会用什么方法。禁止角色扮演，不要模仿任何人的口吻。

## 第四步：输出方案，等用户确认

按这个格式输出，控制在一屏以内：

- **改写后的任务**：一段话
- **要用的方法和工具**：列表
- **野心目标**：一句话
- **外部验证**：怎么证明做好了，必须是你自己能运行的检查
- **需要用户提供的**：数据、权限、环境，没有就写「无」

最后问用户：按这个方案执行，还是要调整？

## 执行阶段的规则

- 用户确认后再动手。
- 每完成一个阶段，就用第二步定下的外部验证检查一次。不能自己觉得「看起来不错」就算完成。
- 遇到看起来做不到的地方，至少换两种方法试过，再向用户报告。
- 不扩大任务范围：做得更深、更高，不等于加一堆无关的功能。

配置说明：disable-model-invocation: true 确保仅手动触发，避免琐碎任务被复杂化；「不扩大任务范围」防止 AI 过度发散。

安装与使用

在 ~/.claude/skills/ 下新建 ambitious 文件夹，存入上述 SKILL.md。使用时只需输入：

/ambitious 你的任务

实测效果对比

通过三个任务对比普通模式与 Skill 模式的效果：

任务一：3D 太阳系
普通版：行星位置随意，仅为装饰。
Skill 版：基于真实天文数据，行星位置、光照、月相均与 NASA 星历吻合，误差极小，并实现了交互功能。

任务二：3D 程序员书房
普通版：卡通风格，元素堆砌。
Skill 版：真实光影渲染，书架书籍均为真实书名，键盘交互细节丰富，胜在严谨与真实感。

任务三：个人主页
普通版：手绘风格，视觉效果较好。
Skill 版：内容经本地文章核对，无外部依赖，兼容性强，胜在数据严谨性。

Skill 版虽耗时和 Token 消耗显著增加，但其核心价值在于通过验证和迭代确保结果的高质量。对于关键任务，这种投入是值得的。

最后

提升 AI 效能的关键在于改变提问方式：

• 不再说「帮我修崩溃」，而是提供环境和数据，要求「保持应用不崩溃并自行验证」。
• 不再说「优化到 5 秒」，而是设定「200 毫秒」的高目标，并要求尝试多种思路。
• 不再说「分析用户流失」，而是要求「从原始数据出发，使用统计模型复现或推翻假设」。
• 不再说「做份 PPT」，而是要求「设计更高效的决策辅助流程」。

若不知如何表述，可在需求前添加 /ambitious，让 AI 自行规划高标准执行方案。限制 AI 表现的，往往是我们给予的需求本身。

参考资料