如何更有野心：写给与模型协作的人类实战指南

原文来源：Felix Rieseberg Blog

标题：如何更有野心：写给与模型协作的人类实战指南

URL 来源：https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/

发布时间：2026-10-13T14:48:44.000Z

Markdown 内容：

我在 Claude 团队工作。这是一段很有意思的经历：每天我都会了解到又一项由 Claude 完成、或借助 Claude 完成的成就——这些事我之前要么没想过，要么觉得不可能，要么只是没那份好奇心和时间去尝试。这个月，它可能帮助人们发现了一颗新行星，我看到了第一个让我真心喜欢的 AI 音乐视频，而我们正在讨论数学的新时代。

模型的能力并非均匀地增长。正如陶哲轩（Terence Tao）所说，模型“在某些方向上令人惊叹，在另一些方向上却力有未逮”。有些人能够驾驭那些令人惊叹的能力，看上去仿佛在飞翔——看着别人用我亲手打造的产品抵达令人难以置信的高度，这种感受让人上瘾。而另有许多人仍在苦苦摸索自己新长出的翅膀该怎么用，搞不清除了问一句“法国的首都是哪里”或者“你能不能把这封邮件改得不那么怒气冲冲”之外，它们还能派上什么用场。

我经常（和许多同样从事 AI 工作的人一起）宣称，我们在使用 AI 时应当更有野心。这已经成了一句口号。每当我们看到什么令人惊艳的东西，就会转发并写道“我们的野心还不够大”。我深知要真正做到这条建议有多难，所以下面这份教程，讲的就是如何变得更有野心。

我把野心分为四种类型：速度（Speed）、高度（Altitude）、深度（Depth）和广度（Range）。

• 速度（Speed）： 用更少的时间完成同样的工作，这是 AI 经济价值的基本盘：如果你需要写点代码，有了 Claude 我会写得更快。这一点已被充分验证，在对 AI 的使用方式上也不需要什么创造力，所以我在此略过。
• 高度（Altitude）： 提升抽象层级，着眼的是最终结果，而不是单个任务。
• 深度（Depth）： 以某个领域顶尖专家的方式来审视一项任务。我们不在任务本身的层面上操作，而是再深入一层，去触及底层的数据、工具和问题。
• 广度（Range）： 不只依赖任务表面所需的那一个领域，而是调动多个领域，运用你通常不会用到的知识、工具和技巧。

我个人主要用 Claude（这不是废话嘛），但我的建议并不针对某个特定模型。

高度

我们常常轻描淡写地把这叫“让模型在更高的抽象层级上运作”。当你交给模型一项任务时，它执行的其实是你对于“如何得到想要的结果”的最佳猜测。要在高度上更有野心，请先问自己——你接下来希望发生什么？ 在目标之上，目标又是什么？去年年初，我还在让 Claude 帮我修复一个个单独的崩溃问题。后来我干脆让 Claude 去保证我们的应用根本不崩溃。

我们来设想一项再日常不过（我敢说是乏味吗？）的办公室工作。你身处一家虚构的公司 Acme Inc，需要为季度业务回顾（QBR）做一份演示文稿。给它一堆数据，Claude 会很乐意帮你做出几页幻灯片。说不定你连模板都有了，只要它往里填内容就行。这可远远比不上发现一颗新行星，所以让我们看看有哪些具体步骤，能让我们的做法更有野心。我们会从最基础的开始，每一步都稍微更有野心一点：

• 作为输入，大多数回顾想弄清楚的是：这个季度发生了什么变化、为什么，以及应该采取什么行动。忍住那种只把模板里的数字更新一下就完事的冲动——尽可能把自己能拿到的所有数据都交给模型，好让它理解你的业务：“告诉我这个季度发生了什么变化、为什么，以及我们应该怎么办。”
• 会议（至少是好的那种）理想情况下应当以做出一些决定收尾。问问 Claude：“结合你了解到的一切，找出最紧迫的三个决定，并开始就潜在的方向展开工作，给出支持与反对的论据。”
• QBR 诞生于这样一个时代：要想做好一次回顾，需要人类仔细梳理数据，弄明白数据意味着什么，以及业务是否该做出调整。问问 Claude：“回顾的存在，是为了让管理层能尽早发现问题，并把资金和人力调配到正确的地方。请设计一种比季度演示文稿更好的方式来达成这个目标，用我们自己的历史数据证明它能更早地发现问题，并且让它在接下来一个季度里与现有的方式并行运行。”

高度这种思路，在你确实追求某个终极结果时最为奏效；对于创意性的工作则效果欠佳。判断“在高度上发力是个好主意”的一个明显信号是：你是否要为手头正在做的事开会讨论。目前这种思路仍有限制（在 2026 年，“Claude，去赚钱吧”这句话本身似乎对大多数企业并不管用），但总体来看，模型能力越强，就越能在更高的抽象层级上运作。

高度也正是人们找到那种把人从循环中解放出来的、可持续工作流的地方，让你不再需要不断地一个任务接一个任务地去更新模型。要做好这一点，往往需要改变你的工作流程——为了让 Claude 确保我们的应用不崩溃，我首先得确保它能轻松获取崩溃报告、理解哪个应用版本对应哪个 git 提交，并且给它访问 Windows、macOS 和 Linux 电脑的权限，这样它才能真正独立地复现并验证修复。

深度

有时候，你只是想把一项任务执行得足够好。在深度上更有野心，意味着推动模型去使用该领域最优秀的专业人士所使用的工具、技术、媒介和知识——并且不断施压，直到连那些专家都可能从你的成果中学到新东西。

让我们接着用 Acme Inc 做季度业务回顾演示文稿这个例子。假设 Acme Inc 正为用户流失（随着时间推移不断丢失客户）而苦恼。我发现把下面这些技巧结合起来会很有用：

• 坚持使用业内顶尖高手所用的“乐器”： 当被要求表现得像个专业人士时，模型往往只是换了套说辞，而没有真正换掉方法。要有深度地解决我们的问题，就得使用最优秀的数据科学家和统计学家所用的工具。当 Claude 想抓个 markdown 表格来用时，坚持要求它使用数据库和统计模型。你未必需要知道专家们用什么，Claude 通常知道。
• 定下不合理的目标，然后告诉模型这些目标非常合理： 你需要网站从 10 秒加载缩短到 5 秒？那就要求 200 毫秒。有没有什么是模型觉得不可能做到的？反复强调它完全可以解决，只是需要继续努力。
• 挑战你已知的东西： 尤其在商业领域，我们深信为真的许多东西，其实只是对现实的粗略近似。让模型接触原始信息和数据，让它以挑刺对抗的方式去检验各种假设。“我们相信流失是个新用户引导（onboarding）问题。试着用原始数据来复现这一点。”
• 产出新知识： 这一步可以轻松接在“挑战你已知的东西”之后——当 Claude 已经深入数据之中，就让它去找盲点。“用我们的日志构建一个客户模拟，复现过去这一年的情况。然后找出我们尚不知晓的最早的流失信号，并证明它能在未见过的数据上做出预测。”
• 引入外部裁判： 千万_不要_让模型评判它自己。我猜这最终会随着模型智能的提升而得到解决，但身处 2026 年 10 月，我恳请你们坚持引入外部验证。理想情况下，那是一个模型可以立刻运行、从而即时获得反馈的工具。

有一条简单提示词常常能帮到我：

我想要的是这个任务更深的版本，而不是更大的版本。在改写之前：(1) 说出这个领域里的顶尖专业人士在这里会做、而我没有要求你做的事；(2) 说出他们会从哪些最原始的材料入手，而不是那些已经替我消化好的东西；(3) 说出他们会使用的具体方法和工具；(4) 说出除了你或我之外，还有什么能证明结果是正确的。然后据此改写我的提示词，让它精确地要求这些内容。

广度

简而言之，在广度上更有野心，意味着我们从不同领域的视角来审视自己的工作——涉及的领域比过去可能划算的要多得多。这算不上多么独到的见解，每一部盗窃题材的电影都会用前 30 分钟凑齐一帮背景各异、各怀绝技的角色。随着 AI 产品让运行多智能体系统（多个线程、编排器，或者干脆就是子智能体）变得越来越容易，我发现恳请 Claude 引入更多领域，能带来非常有意思的结果。

要把这一点付诸实践并不容易；它需要你有创造力。在我看到同事 Alex Albert 用 Blender 来渲染室内设计之前，我从没想过用 Claude 为我的个人主页做 3D 环境——尽管我以前还做过电子游戏！不过，这里恰恰是我见到最多魔法发生的地方。

那么，我们该怎么做？我用的是下面这些技巧：

• 试着把名词换成动词： 这是 Tom Kelley 和 Jonathan Littman 合著的《创新的艺术》（The Art of Innovation）里的一个老技巧。季度回顾不是“一份演示文稿”，而是“在 30 分钟内让忙碌的人相信一个关于因果的故事，并在不确定中做出决定”。把这些动词摆出来，能让我和 Claude 都更容易理解，哪些领域可能带来独特而有用的视角。
• 召集你的团队： 这份演示文稿必须惊艳，否则外星人就会炸掉地球。人类会凑出一支什么样的队伍？为了达到专业制作的水准，我会拉来一名分析师、一名记者和一名编辑。如果还得上台演讲，大概还要一位动效与音频设计师。再雇一支唱反调的“红队”或许也有用，所以不妨请来一位做空者和一位法务会计（forensic accountant）。

一不小心就会演变成角色扮演，这只会让你的对话记录变得更奇怪，却不会改善实际结果。用这个方法去发现领域和技巧。不要要求模型去_扮演_一名做空者，而要让它去_做_一名做空者为了研究其持仓_所做的事_。

我描述的所有关于野心的方式，都要求模型拥有一台可以安装软件、并能访问各类相关数据的计算机（可以通过 MCP 连接器或其他方式）。有很多工具能实现这一点，我建议你使用其中一个。

我们曾经来过这里

以上就是我关于如何更有野心的具体建议。如果你愿意再待上一会儿，我想告诉你，为什么我认为这件事从根本上就是必要的。

我们人类一直受困于自己所认定的“可能”——更糟的是，我们通常只在极狭窄的学科范围内信任自己。米开朗基罗出了名地不愿画西斯廷教堂——你看，他是雕塑家，不是画家。

在研究“野心”这个问题时，我了解到心理学给这种现象起了个名字：自我效能感。简而言之，自我效能感高的人更相信自己的能力，从而实际取得的成就也更多。有证据表明，自我效能感是可以被“黑”（hack）的：Locke 和 Latham 仔细钻研了 35 年的目标设定研究，笃定地宣称，被赋予具体而艰难目标的人，表现要优于那些只是被告知“尽力而为”的人。Stripe 创始人 Patrick Collison 维护着一份“Fast”清单，记录了人类在被同时赋予大胆的目标和紧迫的截止期限时所完成的众多事情。以下是一些有据可查的“黑”法：

• 借由相信难事可能成真，把它们做成： 1939 年，George Dantzig 迟到了伯克利的一堂统计学课，他从黑板上抄下两道题，交上了解答，以为那是家庭作业。那其实是统计学中两道尚未解决的难题。
• 在目睹别人做成难事之后，把它做成： 几十年来，人类一直在追逐“四分钟一英里”。Roger Bannister 于 1954 年 5 月打破了这个纪录，但他作为唯一做到这一点的人，仅仅维持了 46 天。如果你热衷跑步，我们正在目睹类似的事情发生在“两小时马拉松”上：Sabastian Sawe 今年 4 月在伦敦跑出了首场官方认证的两小时以内马拉松。在同一场比赛中，亚军也突破了两小时大关。
• 通过允许自己失败，把难事做成： 显然，大家最爱的商业书是《网球的内在游戏》（The Inner Game of Tennis），我上周才刚发现它。这本书的核心论点是：如果你真的、真的特别用力地去打，那你就打不出自己最好的网球。我们工程师或许还记得 Linux 诞生时的宣言：“只是个爱好，不会像 gnu 那样庞大和专业”。

自我效能感并非一个新问题，但在今天，它的影响更为强大。在一个我们的能力每隔几周就跃升一次的世界里，我们需要一些技巧，让我们能去做那些我们原本不曾认真考虑、或不敢相信可能的事。如果你发现了更多能让你更有野心的技巧，请告诉我！

本文配图由 Francisco Goya 创作，名为“Modo de volar”（飞行之道）。