“你是一位资深专家，请帮我……”很多人给 AI 布置任务，第一句还是这样写。回答可能变得更像行家，真正做事的方式却没变：它依旧只处理眼前那一步，依旧靠现成的材料给出一段听起来合理的话。
Anthropic 工程经理 Felix Rieseberg 提出了一种更有用的提问方向：把任务往上抬，追到结果；往下挖，进入原始材料和专业方法；再往两边看，借用其他领域解决问题的办法。他把这三个方向称为高度、深度和广度。
Felix Rieseberg 原文采用的戈雅版画《飞行的方法》；这是艺术作品，并非 AI 产品演示。图源：大都会艺术博物馆，公有领域。
区别就在这里：你希望 AI 像谁说话，和你允许它怎样工作，是两回事。
高度：你要的不是眼前这一步
先看一个软件故障。应用闪退一次，就让 Claude 修一次；下回又闪退，再交给它修。每次任务都完成了，产品却没有因此变得稳定。
如果真正想要的是“让应用持续稳定”，提问的层次就变了。AI 要处理的不再是孤立的一个报错，而是怎样发现、复现、修复并验证这一类故障。Rieseberg 曾把自己的要求从修复单次崩溃，提升为让应用保持稳定。
但“从此不再闪退”不是一句能自动兑现的咒语。模型需要拿到崩溃报告，需要知道出问题的应用版本对应哪次代码提交，还需要 Windows、macOS 和 Linux 环境，才能独立复现和检查修复结果。目标往上提，工作条件也得跟上。
换成求职，就更容易看到这种区别。“帮我修改简历”只指定了一个交付物。简历改完之后，目标岗位是什么、现有经历是否匹配、哪些证据值得写上去、面试如何准备，这些问题仍在原地。真正的目标可能是拿到某家公司、某个岗位的面试机会，进而争取 offer。
一份好的简历当然重要，但它只是这条路径上的一步。给 AI 的任务如果停在“润色文字”，它很可能会把句子写得更漂亮，却没有检查招聘方到底在筛什么。
笔记展示的一段简历提问，把材料先交代清楚：简历全文、目标岗位的 JD，以及项目周报、指标数据、代码或作品链接等原始经历。随后才要求 AI 找出岗位的硬性标准，对照简历中已覆盖、缺失和含糊的部分，并用 STAR 结构重写经历。没有提供的数字要留空待补，不能顺手编出来。
这段提问还要求从招聘方角度检查：哪些地方可能被筛掉，为什么。它指向的不是“更长、更华丽的简历”，而是更能通过筛选的版本。目标变化之后，材料、分析顺序和验收方式都跟着变化。
高度解决的是“为什么要做这件事”。下一步的问题是：即使目标找对了，AI 会不会仍然只用最省事的方式交差？
深度：专家的价值在方法里
要求模型“像专家一样回答”，常常只会改变措辞。行业名词多了，结论却未必更可靠。真正值得借用的，是专业人士手里的原始材料、分析工具、工作步骤和检验方法。
假设你要分析一项业务。只把几张整理过的销售表交给 AI，它可以写出一份像样的总结，却可能看不到表格背后的样本和异常。Rieseberg 举的例子更直接：当 Claude 准备用 Markdown 表格做分析时，要求它进入数据库，并使用合适的统计模型。不是因为表格不好看，而是因为任务已经需要更深入的证据。
这个差别也适用于竞争分析。销售数字、对手定价、用户评价可以被排成一张表；要得出经得起追问的判断，还要说明数据从哪里来，比较对象是否一致，结论怎样验证。“用专业口吻写一段分析”并不会替你完成这些工作。
深度的另一种做法，是把目标设得明显更难。网页从 10 秒加载缩短到 5 秒，当然是一个具体任务；如果提出 200 毫秒的目标，模型就不能只靠几处零碎修改敷衍过去。它必须重新看瓶颈和实现路径。这个数字是一种推动深入研究的设问，不是“只要坚持提问就一定能做到”的性能承诺。
因此，真正有用的要求不是“你现在是一位性能专家”。更有用的是让 AI 说明：专业人员会先测什么，用什么工具定位问题，怎样比较前后结果，什么外部测试能证明改动有效。研究业务时也是同样的道理：从原始数据开始，用适合问题的方法分析，再让可独立检查的证据判断结论是否站得住。
从高度到深度，任务已经不再只是“把话说好”。接下来还可以再问一层：这个问题真的只能由当前领域的方法来解决吗？
广度：换一个行业的工作动作
做季度汇报，最容易想到的交付物是一份 PPT。只围绕这个名词提问，AI 就会去排页面、改标题、找图表。可一场汇报真正要完成的事，是让一群忙碌的人在有限时间里看懂前因后果，然后作出决定。
把“做 PPT”改写成这些动作，能借来的方法就多了。分析师处理数据与因果关系；记者追问事实、遗漏和说法是否成立；编辑决定信息怎样排列，哪些细节该留，哪些该删。他们未必真的坐在同一张会议桌前，重要的是把这些工作方法接进任务。
这也说明为什么“你是一位记者”“你是一位分析师”还不够。角色名称只能提示一种语气；真正能改变结果的是要求 AI 去查证、比较、删减、组织和验证。你要的是这些动作，而不是几段不同职业的台词。
高度让你看见任务背后的结果，深度让 AI 用对材料和方法，广度则帮你找到原本不会想到的解法。三者并不是一段更复杂的提示词装饰。每往前走一步，你都要把目标、材料和判断标准说得更清楚，也要给 AI 实际可用的工具与条件。
下次想让 AI “扮演专家”时，不妨先看清眼前任务：它最终要促成什么？专业人士会怎样动手？还有哪个领域，已经有处理其中一部分问题的办法？
AI 还是那个 AI。变化的是，你终于开始要求它像专业人士一样干活。