你平时都拿 AI 来做什么？
让它写几行代码、修个 Bug、总结会议纪要，或者做一份 PPT。看起来效率提高了不少，但忙完一天再回头想想，AI 好像也就做了这些事。
有没有可能，不是 AI 能做的事情太少，而是我们给它安排的任务太简单了？
“我们对 AI 的野心还不够大。”这是 Anthropic 工程经理 Felix Rieseberg 在分享 AI 使用实践时反复强调的观点。
作为长期参与 Claude 产品研发的工程负责人，Felix Rieseberg 曾负责 Claude.ai、Claude Cowork 和 Claude Code Desktop 的工程工作。在构建和使用 AI 产品的过程中，他发现了一个值得关注的现象：有人已经开始借助 AI 完成过去难以想象的工作，也有很多人仍然把它当作一个回答问题、处理零散任务的工具。
如何跨过这道鸿沟，让 AI 不止于完成眼前的任务，而是解决更复杂、更有挑战性的问题？
Felix Rieseberg 于近日给人类工程师们分享了一份实用指南，从「速度、高度、深度与广度」四个维度出发，教大家如何重新定义任务目标、深入原始数据与专业方法，并借助跨领域的知识与视角，探索更多可能性。
以下为 Felix Rieseberg 分享的长文：
“我们的野心还不够大”
我参与 Claude 的研发工作。这是一种很有意思的体验：每天，我都会了解到 Claude 又完成了一项此前我从未想过、认为不可能实现，或者只是因为缺乏好奇心和时间而从未尝试过的壮举。就在这个月，Claude 可能帮助发现了一颗新行星；我看到了第一支真正让我喜欢的 AI 音乐视频；我们还在讨论一个全新的数学时代。
模型的能力并不是均衡增长的。正如陶哲轩（Terence Tao）所说，模型“在某些方面令人惊叹，在另一些方面却仍然能力不足”。
有些人已经学会驾驭这些令人惊叹的能力，仿佛驾机翱翔于天际。看着人们借助我参与打造的产品，达到令人难以置信的高度，这种体验简直让人上瘾。但还有很多人仍在摸索如何让自己刚刚长出的翅膀发挥作用，他们不禁疑惑：除了问一句“法国的首都是哪里”，或者“能不能让这封邮件的语气没那么生硬”，AI 还能用来做什么？
我经常和其他从事 AI 工作的人一起呼吁：我们在使用 AI 时，应该有更大的野心。这句话已经成了一种集结口号。每当看到令人惊叹的成果，我们就会转发，并配上一句：“我们的野心还不够大。”
我理解，要真正践行这一建议并不容易。因此，我想写一份指南，教大家如何更有野心地使用 AI。
我认为，野心可以分为四种类型：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 创造经济价值最基本、也最核心的方式。如果你需要编写一些代码，我用 Claude 就能更快地完成。这种用法已经相当成熟，在使用 AI 的方式上也不需要太多创造性，因此这里就不再展开讨论。
高度（Altitude）：提升抽象层次，从关注具体任务转向关注最终成果。
深度（Depth）：像该领域顶尖专家那样思考和处理任务。我们不再停留在任务本身所处的层面，而是进一步深入一层，直接触及底层数据、工具以及问题本身。
广度（Range）：跨领域汲取知识，而不局限于任务表面所涉及的单一领域。我们可以运用自己平时不会接触的知识、工具和技术，从多个领域寻找解决问题的思路，而不是只依赖任务表面上所需要的那一套方法。
我自己主要使用 Claude（这还用说吗？），但我提出的这些建议并不局限于某一个特定模型。
高度（Altitude）
我们经常会轻描淡写地把这种做法称为“让模型在更高的抽象层次上运作”。当你给模型分配一项任务时，你实际上是在执行自己对如何实现预期结果的最佳判断。如果想在「高度」上更有野心，就应该问问自己：接下来，你真正希望发生什么？在当前目标之外，还有什么更深层的目标？
去年年初，我还在让 Claude 帮我逐一修复应用程序的崩溃问题。后来，我开始直接要求 Claude：确保我们的应用程序不再崩溃。
我们不妨来看一个日常工作场景，甚至可以说是有些平淡乏味的办公室任务。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）准备一份演示文稿。
给 Claude 一堆数据，它很乐意帮你制作几张幻灯片。或许你甚至已经有了现成的模板，只需要让它把内容填进去。这显然很难与发现一颗新行星相提并论。因此，我们来看看，怎样通过一些具体的步骤，让自己的做法更有野心。
我们从最基础的做法开始，逐步深入：
第一步：不要只更新数据，而要弄清楚业务发生了什么变化。
季度业务回顾通常需要回答几个问题：这个季度发生了哪些变化？为什么会发生这些变化？我们应该采取什么行动？不要急着让模型直接更新模板中的各项数字，而应该尽可能多地向它提供你能获取的数据，让它真正理解你的业务。
你可以这样提出要求：“告诉我这个季度发生了哪些变化、这些变化背后的原因是什么，以及我们应该采取哪些行动。”
第二步：不要止步于分析，而要推动决策。
理想情况下，一场高质量的会议应该以一些明确的决策告终。
你可以问 Claude：“综合你目前了解到的所有信息，找出当前最紧迫的三个决策，并着手探索可能的解决方向，同时列出支持和反对各个方向的论据。”
第三步：重新思考整个流程，而不是满足于改进现有形式。
季度业务回顾之所以存在，是因为在过去，要做好一次业务复盘，人们必须仔细梳理数据、理解数据背后的含义，再判断业务是否需要调整。
你可以这样要求 Claude：“这次业务回顾的真正目的，是帮助管理层尽早发现问题，并将资金和人力资源配置到正确的地方。请设计一种比季度演示文稿更好的方式来实现这一目标，用我们自己的历史数据证明，这种方式能够更早发现问题，并在接下来的一个季度里，让它与现有的业务回顾机制并行运行。”
「高度」这种方法，最适合那些有明确最终目标的任务，而对于创意类工作，效果可能就没那么理想。一个简单的判断标准是：如果你正在做的事情需要开会讨论，那么不妨试着提高任务的「高度」，让 AI 从更高的层面思考和解决问题。当然，这种方法目前仍有局限。比如在 2026 年，单凭一句“Claude，去赚钱”，显然还不足以让大多数企业真正实现盈利。但总体而言，随着模型能力不断增强，我发现它们似乎也越来越能够在更高的抽象层次上开展工作。
「高度」也是人们探索出持久工作流的关键所在。这类工作流能够减少人工介入，让你不必再不断地向模型下达一个又一个具体任务。不过，要真正做到这一点，往往需要先改变现有的工作方式。以确保应用程序不再崩溃为例，为了让 Claude 自主完成这项工作，我首先需要确保它能够轻松获取崩溃报告，理解应用版本与 Git 提交记录之间的对应关系，并能够访问 Windows、macOS 和 Linux 计算机。只有具备这些条件，它才能独立复现问题、验证修复效果。
深度（Depth）
有时候，你只是希望一项任务能够得到极其出色的执行。在「深度」上更有野心，意味着推动模型采用该领域顶尖专业人士所使用的工具、技术、媒介和知识，并不断深入探索，直到你所产出的成果甚至能让这些专家有所收获。
我们继续以 Acme Inc. 的季度业务回顾演示文稿为例。假设这家公司正面临一定程度的用户流失问题，也就是随着时间推移，用户不断离开。对于这类问题，我发现，将以下几种方法结合起来往往很有效。
坚持使用行业顶尖专家所采用的同类工具：当你要求模型以专业人士的身份开展工作时，它往往只是换了一套专业术语，却并没有真正改变工作方法。如果我们想深入解决问题，就需要使用顶尖数据科学家和统计学家所采用的同类工具。当 Claude 开始使用 Markdown 表格时，你应该坚持要求它改用数据库和统计模型。你不一定需要事先知道专家们会使用什么工具，Claude 通常是知道的。
设定看似不合理的目标，并告诉模型，这些目标完全合理：你希望网站的加载时间从 10 秒缩短到 5 秒？不妨直接要求将其缩短到 200 毫秒。如果某件事在模型看来似乎不可能实现，就再次明确告诉它：这件事完全可以解决，它只需要继续努力，深入探索。
挑战自己已有的认知：尤其是在商业领域，我们认为理所当然的许多事情，其实只是对现实的粗略估计。向模型开放原始信息和数据，让它从质疑和反驳的角度检验现有假设。例如，你可以这样要求：“我们认为，用户流失是一个新用户引导环节的问题。请尝试从原始数据中重新验证这一判断。”
创造新的知识：这一步很容易与挑战已有认知结合起来。当 Claude 已经深入分析数据后，你可以进一步要求它寻找我们尚未意识到的盲点。例如：“根据我们的日志数据，构建一个能够模拟客户行为、重现过去一年情况的仿真模型。然后，找出一个我们目前尚未发现、能够最早预示用户流失的信号，并使用模型从未见过的数据证明，这个信号确实具有预测能力。”
引入外部评判机制：不要让模型自己评判自己的工作。我相信，随着模型智能不断提升，这个问题最终可能得到解决。但在 2026 年 10 月，我恳请大家务必坚持引入外部验证机制。理想情况下，这种验证机制应该是一个模型能够自行调用的工具，让它可以立即获得反馈。
一个对我经常很有帮助的提示词：
“我想要的是这个任务更深入的版本，而不是规模更大的版本。
在重写任务之前，请先完成以下工作：
（1）说明在这个领域，一位顶尖专业人士会采取哪些我尚未提出的做法。
（2）指出他们会从哪些最原始的数据或材料入手，而不是使用那些已经经过加工、整理和解读的信息。
（3）列出他们会采用的具体方法和工具。
（4）说明除了你和我之外，还有什么能够独立证明最终结果是正确的。
然后，请根据以上分析，重新编写我的提示词，明确要求模型按照这些方式开展工作。”
广度（Range）
简而言之，在「广度」上更有野心，意味着我们尝试从不同领域的视角审视自己的工作，并且能够调动比过去更广泛的领域知识——因为在过去，考虑这么多领域往往不符合成本效益。
这其实算不上什么特别新颖的见解。每一部劫案题材的电影，都会花开头 30 分钟集结一群各有所长、背景各异的人物。随着 AI 产品让多智能体系统越来越容易部署，无论是通过多个并行任务、编排器，还是简单地调用子智能体，我发现，只要鼓励 Claude 引入更多领域的知识和视角，往往就能取得非常有意思的成果。
但要将这种方法付诸实践并不容易，它需要你发挥创造力。直到我看到同事 Alex Albert 使用 Blender 渲染室内设计，我才想到可以用 Claude 为自己的主页创建 3D 环境——尽管我以前还开发过电子游戏！不过，在我看来，这恰恰是最容易让人感受到 AI 魔力的领域。
那么，具体应该怎么做？我通常会采用以下几种方法。
1. 尝试把名词替换成动词。
这是 Tom Kelley 和 Jonathan Littman 在《创新的艺术》（The Art of Innovation）中提出的一种经典技巧。季度业务回顾不只是“一份演示文稿”，它真正要做的是：“让忙碌的人在 30 分钟内相信一套关于因果关系的叙事，并在充满不确定性的情况下做出决策。”将任务描述为一系列行动，而不是一个静态的名词，有助于我和 Claude 更清楚地理解任务的本质，也更容易判断哪些领域能够提供独特而有价值的视角。
2. 组建一支精英团队。
假设这份演示文稿必须做到极致，否则外星人就会摧毁地球。那么，人类会召集一支怎样的团队来完成这项任务？
如果追求专业的成品质量，我会邀请一位分析师、一位记者和一位编辑加入。如果还需要现场演示，或许还应该找一位动效设计师和一位音频设计师。此外，引入一个专门从对立角度审视问题的「红队」（Red Team）也可能很有帮助。那么，我们还可以邀请一位做空机构的分析师和一位法务会计师加入团队。
不过，这里有一点需要注意：不要不知不觉地陷入角色扮演。 角色扮演可能会让对话记录变得更加奇怪，却未必能改善实际结果。使用这种方法的目的是寻找可以借鉴的专业领域和技术方法。不要要求模型“像一位做空分析师那样写作”，而应该要求它执行做空分析师为研究和论证自己的投资观点所做的具体工作。
最后，我所介绍的所有拓展 AI 使用野心的方法，都有一个共同的前提：模型需要拥有一台能够安装软件、访问各类相关数据的计算机。 这些数据既可以通过 MCP 连接器获取，也可以通过其他方式接入。
如今，已经有不少工具能够实现这一点，我建议你选择其中一种并真正用起来。
我们早已经历过这一切
以上就是我关于如何更有野心地使用 AI 的具体建议。如果你愿意再花一点时间，我还想谈谈，为什么我认为我们从一开始就有必要这样做。
人类始终受到自身认知的限制：我们相信什么是可能的，就往往只能做到什么。更糟糕的是，我们通常只相信自己在极少数特定领域中的能力。米开朗基罗不愿意绘制西斯廷教堂的天顶壁画，就是一个著名的例子。你看，他是一位雕塑家，而不是画家。
在研究「野心」这个问题时，我发现，心理学早已为此提出了一个概念：自我效能感（Self-efficacy）。简单来说，自我效能感较强的人，更相信自己有能力完成某件事，而这种信念也确实会让他们取得更多成果。
有证据表明，我们可以通过一些方法来提升自我效能感。
研究人员 Locke 和 Latham 花了 35 年时间梳理目标设定领域的研究，最终有充分信心地指出：与那些只被要求“尽自己最大努力”的人相比，被赋予明确且具有挑战性目标的人，往往能够取得更好的表现。
Stripe 创始人 Patrick Collison 则一直维护着一份名为「Fast」的清单，记录人类在面对大胆的目标和紧迫的截止期限时所取得的种种成就。
以下是一些有充分记录支持的方法：
1. 相信困难的事情能够实现，你就更有可能做到。
1939 年，乔治·丹齐格（George Dantzig）迟到了，走进加州大学伯克利分校的一堂统计学课。他抄下黑板上的两道题目，回去完成后交了上去，还以为那只是普通的课后作业。实际上，那是统计学领域两个尚未解决的难题。
2. 看到别人做到了，你就更有可能做到。
几十年来，人类一直在挑战四分钟跑完一英里（约 1.61 公里）的纪录。1954 年 5 月，罗杰·班尼斯特（Roger Bannister）率先突破了这一纪录。然而，他作为唯一一位做到这一点的人，只维持了短短 46 天。
如果你关注跑步，就会发现，类似的事情正在马拉松领域上演：人类正不断挑战两小时完赛的极限。今年 4 月，Sabastian Sawe 在伦敦跑出了人类首个正式认证的两小时以内马拉松成绩。同一场比赛中，获得亚军的选手也突破了两小时大关。
3. 允许自己失败，你就更有可能完成困难的事情。
我最近才发现，似乎每个人最喜欢的商业类书籍都是《网球的内在游戏》（The Inner Game of Tennis）。这本书的核心观点是：如果你在打网球时拼尽全力、过度紧绷，反而无法发挥出自己的最佳水平。
我们这些工程师或许还记得 Linux。当年，Linus Torvalds 宣布这个项目时，曾轻描淡写地说，它“只是一个业余爱好，不会像 GNU 那样发展成什么大而专业的项目”。
自我效能感并不是一个新问题，但如今，它变得更加重要，也更具影响力。在这个世界里，我们的能力每隔几周就可能实现一次飞跃，因此，我们需要掌握一些方法，让自己能够去做那些过去根本没有考虑过、甚至不相信自己能够做到的事情。
来源：https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/
🔥「大模型技术：从 Agentic Scaling 到 RSI」专题阵容更新！
从 OpenAI、Anthropic、Google 到智谱、DeepSeek、月之暗面、阿里等头部团队都在持续推进 RSI / 自进化相关研究。
2026 奇点智能技术大会邀请一线研究者与工程技术专家，围绕强化学习、持续学习、AI 制造 AI、自进化 Agent、模型数据飞轮等关键方向展开分享。
📍11 月 20–21 日｜北京万达文华酒店
专题还附赠一份 《RSI 递归自我改进 / 自进化前沿研究资料包》，汇总 OpenAI、Anthropic、Google、智谱、DeepSeek、Kimi、阿里等最新论文、官方报告与研究资料。
