如何更有野心：一份面向模型使用者的指南

我在 Claude 团队工作。这是一种奇妙的体验：每一天，我都会得知有人用 Claude（或是 Claude 自行）达成了又一项壮举——这些事我之前从未设想过、曾认为不可能做到，或者单纯只是缺少尝试的好奇心与时间。就在这个月，它可能协助发现了一颗新行星，我看到了第一支自己真心喜欢的 AI 音乐视频，我们还在讨论数学的新纪元。

模型能力的发展并不均衡。正如陶哲轩所言，模型“在某些方向上令人惊叹，而在另一些方向上又有所欠缺”。有些人成功驾驭了那些令人惊艳的能力，仿佛在天空中翱翔——看着人们借助我参与打造的产品飞抵难以置信的高峰，这让人欲罢不能。然而，还有许多人仍在努力试着扑棱自己新长出的翅膀，纳闷除了用来问一句“法国的首都在哪里”或者“能不能把这封邮件写得听起来没那么生气”之外，它们到底还能有什么用。

我经常（和其他 AI 从业者一起）高呼，我们在使用 AI 时应当更有野心。这已经成了一句集结号角的口号。每当我们看到令人赞叹的事物，就会转发并写下“我们的野心还远远不够”。我深知践行这条建议有多棘手，因此，这里提供一份教你如何变得更有野心的教程。

我认为野心可以分为四种维度：速度（Speed）、高度（Altitude）、深度（Depth）以及广度（Range）。

• 速度： 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，我用 Claude 能写得更快。这一层已经非常成熟，而且在使用 AI 的思维方式上并不需要太多创造力，所以我就略过不谈了。
• 高度： 走向更高的抽象层级，去考量最终成果，而非单个任务本身。
• 深度： 像行业顶尖专家一样去思考任务。我们不浮于任务表层操作，而是再深入一层，去触及底层的数据、工具和问题核心。
• 广度： 借鉴多个领域的智慧，而不仅限于任务表面可能需要的那个领域，运用你平时通常不会涉猎的知识、工具与技巧。

我主要使用的是 Claude（显而易见），但我的建议并不局限于特定模型。

高度

我们经常随口把这称为“让模型在更高的抽象层级上运作”。当你给模型分配一项任务时，它执行的不过是你为了拿到想要的结果所做出的“最佳猜测”。要在高度上更有野心，不妨问问自己——接下来你希望发生什么？ 目标背后的终极目标是什么？在去年年初，我还会让 Claude 帮我修复一个个具体的崩溃问题。后来，我变成了直接要求 Claude 确保我们的应用永远不发生崩溃。

我们来看一个日常（甚至可以说是琐碎？）的办公室任务。假设你在一家虚构的 Acme 公司工作，需要为季度业务回顾（QBR）准备一套幻灯片。只要给出一堆数据，Claude 很乐意为你做几张 PPT。要是你连模板都有，它甚至只需把内容填进去就行。但这跟发现新行星完全没法比，所以让我们来看看一些具体步骤，让我们的做事方式变得更有野心。我们先从最基础的开始，随着每一步逐渐拔高野心：

• 作为输入，大多数业务回顾都想知道本季度发生了什么变化、为什么会发生，以及应该采取什么应对措施。请克制住仅仅把模板里的数字更新一遍的冲动——把你能拿到的一切数据尽可能多地喂给模型，让它能真正理解你的业务：

  “告诉我本季度发生了什么变化、原因是什么，以及我们应该采取什么行动。”

• 会议（至少是高效的那种）在理想情况下应该以做出某些决定而告终。向 Claude 提问：

  “结合你所掌握的一切信息，梳理出目前最紧急的三项决策，并开始针对潜在方向推导支持与反对的正反方论据。”

• QBR 这种形式诞生于一个过去的时代：那时若要做一次出色的回顾，必须由人类仔细筛查数据，弄清数据背后的含义，并判断业务是否需要做出调整。不妨问问 Claude：

  “业务回顾的存在是为了让管理层及早发现问题，把资金和人员调配到正确的方向上。请设计一种比季度幻灯片更好的达成这一目标的方式，结合我们过去的历史证明它能够更早发现问题，并在接下来的一个季度中让它与现有的汇报流程并行运转。”

“高度”策略在追求某种终极成果时效果最好；而在创作性工作中则没那么管用。判断在高度上展现野心是否是个好主意，有一个很好的信号：如果你接下来需要开会讨论手头正在做的事情。虽然目前依然存在局限（到 2026 年，“Claude，去帮我挣钱吧”这种指令单凭它自己对大多数企业来说似乎行不通），但我普遍观察到，模型的能力越强，似乎就越能在更高的抽象层级上自如运作。

“高度”也是人们找到持久工作流的地方，这些工作流能将人类从循环中解放出来（take the human out of the loop），减少你不断给模型派发一个接一个任务的必要。要做好这一点，通常需要改变你的工作流程——为了让 Claude 能够确保我们的应用零崩溃，我首先必须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 commit，并赋予它访问 Windows、macOS 和 Linux 计算机的权限，以便它能真正独立地重现并验证修复方案。

深度

有时，你只是希望某项任务能被极高水平地执行。在“深度”上更有抱负，意味着促使模型去使用该领域顶尖专业人士所采用的工具、技术、媒介和知识——并持续推进，直到连这些专业人士都可能从你的成果中领悟到新东西。

让我们继续 Acme Inc 制作季度业务复盘演示文稿的例子。假设 Acme Inc 正面临一定程度的用户流失（随时间推移的客户流失）。我发现结合使用以下技巧很有帮助：

• 坚持使用业内顶尖人士所用的同套工具： 当被要求像专业人士一样行事时，模型往往只是换了套词汇，而没有真正改变方法。要在深度上解决我们的问题，我们需要使用与最顶尖的数据科学家和统计学家相同的工具。当 Claude 随手拿出 Markdown 表格时，坚持要求使用数据库和统计模型。你不一定非得知道专家用什么，Claude 通常知道。
• 设定不合理的目标，并告诉模型这些目标非常合理： 需要你的网站加载时间从 10 秒缩减到 5 秒？直接要求 200 毫秒。模型觉得某件事看似不可能？重申这完全可以解决，它只需要继续推进。
• 质疑你所知道的事情： 尤其是在商业领域，我们认为属实的很多事情其实只是对现实的粗略近似。让模型访问原始信息和数据，并要求它以对抗性的方式检验假设。

  “我们认为流失是一个新手引导（onboarding）问题。尝试从原始数据中复现并验证这一结论。”

• 产出新知： 这一步很容易顺承在“质疑你所知道的事情”之后——一旦 Claude 已经深入数据内部，就要求它找出盲区。

  “利用我们的日志构建一个客户模拟模型，复现去年的情况。然后找出我们尚未察觉的最早流失信号，并证明它能在未见过的数据上做出有效预测。”

• 引入外部裁判： 切勿让模型给自己评判。我认为随着模型智能的提升，这个问题最终会迎刃而解，但在 2026 年 10 月的当下，我恳请你务必坚持外部验证。理想情况下，应该是一个模型可以运行并立即获得反馈的工具。

一个经常对我有帮助的简单提示词：

我希望这项任务能有更深层次的版本，而不是规模更大的版本。在重写任务之前：(1) 说明该领域的顶尖专业人士在此时会做哪些我没有要求做的事；(2) 指出他们会从哪种最原始的材料入手，而不是使用已经为我消化整理好的内容；(3) 列出他们会使用的具体方法和工具；(4) 说明除了你我之外，还有什么能证明结果是正确的。然后重写我的提示词，明确要求实现这些。

广度

简而言之，在“广度”上更有抱负，意味着我们从不同领域的视角来审视自己的工作——所涵盖的领域要比以往在经济上合算的范围更加广泛。这算不上什么独到的见解，每部神偷劫案类电影的前 30 分钟都在招募性格各异、身怀绝技的人才班底。随着 AI 产品让运行多智能体系统（拥有多个线程、编排器或单纯的子智能体）变得越来越容易，我通过力劝 Claude 引入更多跨学科领域，见到了非常惊艳的效果。

将这点付诸实践并不容易，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，我才想到可以在自己的个人主页上使用 Claude 构建 3D 环境——尽管我以前就制作过电子游戏！然而，这绝对是我看到最多奇迹发生的地方。

那么，我们该如何做到这一点？我使用以下技巧：

• 尝试用动词替换名词： 这是来自汤姆·凯利（Tom Kelley）和乔纳森·利特曼（Jonathan Littman）所著《创新的艺术》（The Art of Innovation）的一个老技巧。季度复盘不是“一份演示文稿”。它是“在 30 分钟内，让一群忙碌的人相信一个关于因果的故事，并在不确定性下做出决策”。有了动词，我和 Claude 就能更容易理解哪些领域能够带来独特且有用的视角。
• 组建团队： 这份文稿必须惊艳绝伦，否则外星人就会炸毁地球。人类会集结一支什么样的团队？为了提升制作质量，我会引入一位分析师、一位记者和一位编辑。如果需要进行现场演示，大概还需要一位动效设计师和一位音频设计师。引入一个起对抗作用的“红队”可能也很有用，所以我们再拉来一位做空者（short seller）和一位法务会计师。

这很容易不小心演变成角色扮演，那只会让你的对话记录变得怪异，而不会改善实际结果。使用这种方法的目的在于找到领域和技术。不要要求模型像空头那样写作，而要要求它做空头在调研其头寸时所做的事情。

我在此处描述的所有抱负展现方式，都要求模型拥有一台能够安装软件且能够访问各种相关数据的计算机（无论是通过 MCP 连接器还是其他方式）。目前有很多工具可以实现这一点，我建议你使用其中一种。

历史总是惊人地相似

以上就是我关于如何更有抱负的具体建议。如果你愿意多留片刻，我想聊聊为什么我认为这件事从一开始就很有必要。

我们人类历来都会被自认为可能的事情所束缚——更糟糕的是，我们通常只在非常狭窄的学科领域才对自己有信心。众所周知，米开朗基罗当年并不想画西斯廷礼拜堂的天顶画——你看，他是个雕塑家，不是画家。

在研究抱负这个问题时，我了解到心理学对此有一个专门术语：自我效能感（self-efficacy）。简而言之，自我效能感高的人更相信自己的能力，反过来实际上也能取得更多成就。有证据表明，自我效能感是可以“被破解/被引导”的：洛克（Locke）和拉瑟姆（Latham）深入研读了 35 年的目标设定研究，充满信心地宣称：被赋予具体且艰难目标的人，其表现优于那些仅仅被告知尽力而为的人。Stripe 创始人帕特里克·科利森（Patrick Collison）维护着一份“快速”清单，记录了人类在同时面对宏大目标与紧迫期限时所成就的诸多壮举。以下是一些有据可查的窍门：

• 坚信其可行，从而做成难事： 1939 年，乔治·丹齐格（George Dantzig）在伯克利的统计学课堂上迟到了，他抄下黑板上的两道题目并交了题解，以为那是课后作业。其实那是统计学领域两个悬而未决的难题。
• 见证他人做到后，从而做成难事： 数十年来，人类一直在追逐 4 分钟跑完 1 英里的极限。罗杰·班尼斯特（Roger Bannister）于 1954 年 5 月打破了这一纪录，但他作为唯一达成此壮举的人，仅仅保持了 46 天。如果你关注跑步，我们正在见证 2 小时马拉松上演类似的戏剧性突破：萨巴斯蒂安·索威（Sabastian Sawe）今年 4 月在伦敦跑出了首个官方认可的 2 小时以内马拉松成绩。在同一场比赛中，亚军也突破了 2 小时大关。
• 允许自己失败，从而做成难事： 似乎所有人最喜欢的商业书都是《网球的内心游戏》（The Inner Game of Tennis），而我上周才刚刚发现它。这本书的核心论点是：打网球时如果你过于用力、拼命去打，反而打不出自己最好的球。作为工程师，我们或许还记得 Linux，它最初被宣布时不过是“纯属个人爱好，不会像 gnu 那样搞得又大又专业”。

自我效能感并不是一个新问题，但在今天它的影响力愈发强大。身处一个我们的能力每隔几周就突飞猛进的世界，我们需要一些技巧，好让自己去完成那些过去未曾认真考虑过、甚至不敢相信能够做成的事。如果你发现了更多能让自己更有抱负的方法，请务必告诉我！

本文配图来自弗朗西斯科·戈雅的作品《Modo de volar》（飞翔的方式）。