Claude 团队的工程负责人 Felix 写了一篇很值得读的文章，他说：我们对 AI 的使用，远远不够有雄心。
他说，自己每天都能看到有人利用 Claude 完成过去根本不敢想象的事情，而大多数人还只是在用 AI 写邮件、回答问题。
他把这种雄心分成四个维度：速度、高度、深度和广度，并给出了一套非常具体的实践方法。
当 AI 的能力每隔几周就发生一次飞跃，真正限制我们的，可能已经不是技术，而是我们对「什么事情是可能的」的想象力。
英文原文：https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/
我在 Claude 团队工作。这是一段很有意思的经历：几乎每天，我都会发现有人利用 Claude 完成了某件让我意想不到的事情。有些事情我从未考虑过，有些我原本认为不可能，还有些只是因为缺少好奇心或者时间，从来没有尝试过。就在这个月，Claude 可能帮助人类发现了一颗新行星；我看到了第一支真正让我喜欢的 AI 音乐视频；而现在，我们甚至开始讨论数学是否正在进入一个全新的时代。
但 AI 模型的能力并不是均匀发展的。正如数学家陶哲轩所说，模型的能力在某些方向上令人惊叹，在另一些方向上却仍然很不成熟。有些人已经学会驾驭 AI 那些令人惊叹的能力，仿佛真的飞了起来。看着他们利用我们开发的产品不断突破极限，是一件让人上瘾的事情。但还有很多人，仍然在努力弄清楚自己新长出来的翅膀究竟该怎么用。他们不知道，除了问 AI「法国的首都是哪里」，或者「能不能帮我把这封邮件写得不那么生气」之外，还能拿它做些什么。
我和其他从事 AI 工作的人，经常会说一句话：“我们应该在使用 AI 时更有雄心。”这几乎已经成了我们的一句口号。每当看到有人利用 AI 做出令人印象深刻的事情，我们就会转发，然后感叹一句：「我们的雄心还远远不够。」但我也明白，说起来容易，真正做到却很难。所以，我想写一份具体的指南，聊聊怎样才能在使用 AI 时变得更有雄心。
我把这种雄心分成四个维度：
- 速度（Speed）：用更少的时间完成同样的工作。这是 AI 经济价值最直接的体现。比如需要编写代码，使用 Claude 就能更快完成。这种能力已经得到了充分验证，也不需要在使用 AI 的方式上发挥太多创造力，所以这里就不再展开。
- 高度（Altitude）：站在更高的抽象层次思考问题。不要只关注眼前需要完成的具体任务，而应该关注最终想要实现的结果。
- 深度（Depth）：像行业顶尖专家一样思考问题。不要只停留在任务本身，而是进一步深入到底层的数据、工具和问题根源。
- 广度（Range）：打破单一领域的限制，从多个学科寻找解决方案。主动运用那些平时不会接触的知识、工具和技术，让不同领域的能力共同发挥作用。
我主要使用 Claude，这应该不难理解。但接下来分享的方法，并不局限于某一个模型。
一、高度（Altitude）：不要只关注任务，要关注结果
我们经常随口说，要「让模型在更高的抽象层次上工作」。
这句话究竟是什么意思？
当你给 AI 布置一项任务时，实际上，你是在让它执行你认为最有可能实现目标的一种方法。
但这个方法未必是最好的。
如果想在高度上更进一步，你应该先问自己：
我真正希望接下来发生什么？在当前目标之外，我最终想实现的目标又是什么？
去年年初，我还在让 Claude 帮我逐个修复应用程序中的崩溃问题。
后来，我开始直接要求 Claude：让我们的应用程序始终保持不崩溃。
这两种要求看起来很接近，但背后的思考方式完全不同。
我们来看一个普通得不能再普通的办公室场景。
假设你在一家虚构的公司 Acme Inc 工作，需要准备一份季度业务回顾（QBR）演示文稿。
你把数据交给 Claude，它很乐意帮你制作幻灯片。也许你已经有一套模板，只需要让它把数字填进去。
但这显然还远远谈不上发现一颗新行星。
那么，怎样才能让这项工作变得更有雄心？
我们可以从最基础的做法开始，一步步提高要求。
第一步：不要只更新数字，而是让 AI 理解业务。
一份好的季度回顾，真正需要回答的通常是三个问题：
这个季度发生了哪些变化？为什么会发生这些变化？我们接下来应该采取什么行动？
所以，不要只是让 Claude 更新模板里的数字。
尽可能把你能拿到的业务数据都交给它，让它理解公司的实际情况。
然后直接问它：
「告诉我，这个季度发生了什么变化，为什么会发生，以及我们接下来应该怎么做。」
第二步：不要只做汇报，而是推动决策。
一场好的会议，最终应该产生一些决定。
所以你可以继续要求 Claude：
「根据你目前了解到的所有情况，找出最需要尽快做出的三个决策，并开始研究可能的解决方向，分别列出支持和反对的理由。」
这时，AI 已经不再只是一个制作 PPT 的工具，而是开始参与决策准备。
第三步：重新思考，为什么我们需要季度回顾？
季度业务回顾这种工作形式，诞生于一个人类必须亲自梳理数据、理解数据含义，并判断是否需要调整业务方向的时代。
但现在，我们为什么还要沿用这种方式？
你可以向 Claude 提出一个更大胆的要求：
「季度回顾的真正目的，是帮助管理层尽早发现问题，并把资金和人员配置到最需要的地方。
请设计一种比季度汇报 PPT 更好的方式来实现这个目标。利用我们过去的业务数据，证明这种新方式原本可以更早发现问题，然后让它与现有的季度回顾流程并行运行一个季度。」
注意，这时我们已经不再讨论如何制作一份更好的 PPT。
我们开始重新设计整个业务管理流程。
这就是高度上的雄心。
当然，这种方法并不适用于所有事情。
当你确实有一个明确的最终结果想要实现时，它往往特别有效。但对于一些纯粹的创作活动，效果可能没那么明显。
一个简单的判断方法是：如果你正在做的事情，最后还需要开会讨论，那么它很可能适合从更高的抽象层次重新思考。
目前当然仍然存在限制。
比如在 2026 年，对大多数企业来说，直接告诉 Claude「去帮我赚钱」，通常还不会自动产生结果。
但我的观察是，随着模型能力越来越强，它们确实能够在越来越高的抽象层次上工作。
更重要的是，这种思路还能帮助我们建立长期运行的自动化工作流，让人逐渐退出具体执行过程。
你不再需要不断向 AI 下达一个又一个任务。
不过，要做到这一点，往往需要先改变原有的工作流程。
比如，为了让 Claude 能够持续保证我们的应用程序不崩溃，我首先需要确保它能够方便地获取崩溃报告，知道每个应用版本对应的是哪一次 Git 提交，并且能够访问 Windows、macOS 和 Linux 计算机。
只有具备这些条件，它才能独立复现问题、修复问题，并验证修复是否有效。
二、深度（Depth）：让 AI 像顶尖专家一样工作
有时候，我们并不需要重新定义目标。
我们只是希望把眼前这件事情做到极致。
这就是深度上的雄心。
它意味着，你要推动模型使用某个领域最优秀的专业人士所采用的工具、技术、知识和工作方法。
而且不能止步于此。
你应该不断提高要求，直到你的工作成果甚至有可能让这些专家也学到新东西。
我们继续使用 Acme Inc 的例子。
假设这家公司面临一个问题：用户流失率较高。
根据我的经验，以下几种方法非常有用。
1. 坚持使用行业顶尖专家真正使用的工具
当你要求 AI「像专业人士一样工作」时，它经常只是换了一套更专业的词汇，却没有真正改变工作方法。
这远远不够。
如果我们希望深入研究用户流失问题，就应该要求 Claude 使用优秀数据科学家和统计学家真正会使用的工具。
比如，当 Claude 准备生成一张 Markdown 表格时，你可以要求它改用数据库和统计模型。
你不一定需要提前知道这些专家究竟使用什么工具。
通常，Claude 自己就知道。
关键在于，你要明确要求它采用专业的方法，而不是只给出一份看起来专业的答案。
2. 设定看似不合理的目标，并告诉 AI 这个目标完全合理
假设你的网站加载时间是 10 秒，你希望优化到 5 秒。
那不妨直接要求 AI 把它优化到 200 毫秒。
如果模型认为某件事情不可能完成，你可以继续强调：这个问题是可以解决的，只需要继续寻找办法。
这种做法的重点，是不要让模型一开始就被看似合理的目标限制住。
3. 挑战你已经相信的事情
尤其是在商业领域，我们认为理所当然的很多结论，其实只是对现实的粗略近似。
所以，不要只让模型在既有结论上继续分析。
把原始信息和数据交给它，让它站在对立的角度检验这些假设。
例如：
「我们一直认为用户流失主要是新用户引导流程造成的。请从原始数据出发，尝试重新验证这个结论。」
也许最后会发现，真正的问题根本不在新用户引导上。
4. 创造新的知识
这是对上一种方法的自然延伸。
当 Claude 已经深入分析了大量底层数据后，你可以进一步要求它寻找那些尚未被发现的盲点。
例如：「根据我们的用户日志，建立一个能够重现过去一年用户行为的模拟模型。
然后找出我们目前还不知道的、最早能够预示用户流失的信号，并用模型没有见过的数据证明它具有预测能力。」
这时，AI 所做的事情就不再只是分析现有信息。
它开始尝试发现新的规律。
5. 引入外部验证者
不要让模型自己评价自己的工作。
我相信，随着模型智能水平的提高，这个问题最终可能得到解决。
但至少在 2026 年 10 月，我仍然强烈建议大家坚持使用外部验证。
最理想的情况，是让模型能够直接运行某个工具，并立即获得客观反馈。
这样，模型的结果是否正确，就不再只取决于它自己的判断。
一个非常实用的提示词
下面这个提示词，我经常使用，而且通常很有效：
我希望你把这项任务做得更深入，而不是把任务范围扩大。在重写我的要求之前，请先回答四个问题：这个领域最顶尖的专业人士，会做哪些我目前没有要求你做的事情？相比那些已经整理、加工过的信息，他们会从哪些最原始的材料入手？他们会使用哪些具体的方法和工具？除了你和我自己的判断，还有什么外部证据能够证明结果是正确的？然后，根据这些答案，重新编写我的提示词，让它准确地要求完成上述工作。
三、广度（Range）：让不同领域的知识一起解决问题
简单来说，广度上的雄心，就是尝试从不同学科的角度思考同一个问题。
而且，我们可以引入比过去更多的领域。
这其实不是什么特别新颖的想法。
你看过的几乎每一部抢劫电影，都会花前 30 分钟组建一支拥有不同技能的团队。
有人负责技术，有人负责策划，有人负责执行，每个人都有自己独特的能力。
随着 AI 产品越来越容易运行多智能体系统，无论是通过多个并行线程、编排器，还是简单的子智能体，我发现，只要要求 Claude 引入其他领域的知识，往往就能得到非常有意思的结果。
当然，真正做到这一点并不容易。
它需要你发挥创造力。
在看到我的同事 Alex Albert 使用 Blender 渲染室内设计之前，我从来没想过可以让 Claude 为我的个人网站制作 3D 场景。
要知道，我以前甚至开发过电子游戏。
但即便如此，我还是没有想到这种可能性。
而在我看来，这恰恰是 AI 最容易创造惊喜的地方。
那么，我们应该怎么做？
我通常会使用以下两种方法。
1. 试着把名词换成动词
这是 Tom Kelley 和 Jonathan Littman 在《创新的艺术》（The Art of Innovation）中介绍过的一个老方法。
比如，季度业务回顾不应该被定义为「一份 PPT」。
它真正要完成的是：
「在 30 分钟内，让一群非常忙碌的人理解并相信一套关于因果关系的解释，然后在充满不确定性的情况下做出决定。」
当你用动词描述一项工作时，你和 Claude 都会更容易发现，还有哪些其他领域的知识可以带来独特而有价值的视角。
2. 组建一支专家团队
继续拿季度业务回顾举例。
假设这份报告必须做到极致，否则外星人就会毁灭地球。
那么，为了拯救人类，我们应该组建一支什么样的团队？
如果目标是提高内容质量，我会找来一名分析师、一名记者和一名编辑。
如果这份报告还需要现场演示，那么可能还需要一名动效设计师和一名音频设计师。
除此之外，引入一支专门负责质疑和挑战结论的「红队」，也可能很有价值。
所以，我们还可以找来一名做空交易员和一名法务会计。
但这里有一个很容易犯的错误。
你可能不知不觉就让 AI 进入了角色扮演模式。
最后，对话看起来变得越来越奇怪，但实际工作质量并没有提高。
使用这种方法的真正目的，是找到其他专业领域的知识和方法。
不要要求模型「像做空交易员一样写作」。
而应该要求它「使用做空交易员在研究投资标的时真正采用的方法」。
这两者之间有很大的区别。
需要补充一点：我在前面介绍的这些方法，都要求模型拥有一台能够安装软件的计算机，并且能够访问各种相关数据。
这些数据可以通过 MCP 连接器或者其他方式获得。
现在已经有不少工具能够提供这样的能力，我建议大家选择一个使用。
四、我们以前也经历过这样的时刻
以上就是我关于如何更有雄心地使用 AI 的具体建议。
如果你愿意再花一点时间，我还想解释一下，为什么我认为这件事如此重要。
人类一直受到自己对「什么事情是可能的」这一认知的限制。
更糟糕的是，我们通常只相信自己在某个非常狭窄的专业领域内具备能力。
米开朗基罗最初并不愿意绘制西斯廷教堂的天顶画。
原因很简单：他认为自己是一名雕塑家，而不是画家。
在研究雄心这个问题时，我发现心理学中有一个专门的概念可以解释这种现象：
自我效能感（Self-efficacy）。
简单来说，自我效能感较高的人，更相信自己有能力完成某件事情，而这种信念反过来又会帮助他们取得更大的成就。
而且，有证据表明，我们可以通过一些方法主动提高这种信念。
心理学家 Locke 和 Latham 回顾了长达 35 年的目标设定研究，最终得出了一个明确的结论：
相比那些只被要求「尽自己最大努力」的人，被赋予明确而具有挑战性目标的人，通常表现得更好。
Stripe 创始人 Patrick Collison 维护着一份名为 Fast 的清单，记录了人类在拥有大胆目标和紧迫期限的情况下，曾经以惊人速度完成的各种事情。
其中有几种方法，已经得到了相当充分的记录。
1. 相信困难的事情是可能的，你就更有机会完成它
1939 年，George Dantzig 迟到了加州大学伯克利分校的一堂统计学课。
他走进教室后，看到黑板上写着两道题目。
他以为那是老师布置的家庭作业，于是把题目抄了下来。
后来，他完成了解答并交给老师。
但实际上，那并不是普通的家庭作业。
那是两道统计学领域尚未解决的难题。
2. 当你看到别人完成一件困难的事情，你也更有可能做到
几十年来，人类一直试图突破一英里跑进四分钟的极限。
1954 年 5 月，Roger Bannister 终于打破了这一纪录。
但他作为唯一突破四分钟大关的跑者，这个身份只维持了短短 46 天。
如果你关注跑步运动，那么我们正在马拉松突破两小时大关这件事上，看到类似的现象。
今年四月，Sebastian Sawe 在伦敦跑出了首个正式比赛中低于两小时的马拉松成绩。
而且，在同一场比赛中，获得亚军的选手也突破了两小时。
3. 允许自己失败，反而可能完成困难的事情
最近我才读到一本似乎深受商业人士喜爱的书：《网球的内在游戏》（The Inner Game of Tennis）。
这本书的核心观点是：
当你拼命要求自己打好网球时，反而可能无法发挥出最佳水平。
我们这些工程师或许还记得 Linux 刚刚发布时的介绍。
当时，Linux 被描述为：
「只是一个业余爱好，不会像 GNU 那样庞大和专业。」
但后来发生了什么，我们都知道。
结语
自我效能感并不是一个新问题。
但在今天，它变得比过去任何时候都更加重要。
因为我们正生活在这样一个时代：每隔几个星期，我们能够完成的事情，就可能出现一次巨大的飞跃。
因此，我们需要掌握一些方法，帮助自己去尝试那些过去从未认真考虑过、甚至根本不相信能够实现的事情。
如果你还发现了其他能够帮助人们变得更有雄心的方法，也欢迎告诉我。
原文配图：弗朗西斯科·戈雅（Francisco Goya），《飞行的方法》（Modo de volar / A Way of Flying）。
