我在做 Claude。这是一种很有意思的体验：每天我都会听说一件我从未想到、以为不可能、或者单纯没好奇心也没时间去尝试的事，被 Claude 或者由 Claude 完成了。这个月，它可能帮忙发现了一颗新行星；我看到了第一个我真心喜欢的 AI 音乐视频；我们还在讨论数学的新时代。
模型的能力并不是齐头并进地增长。用陶哲轩（Terence Tao）的话说，模型"在某些方向上令人震惊，在另一些方向上则很不济"。有些人成功驾驭了那些令人震惊的能力，看上去真的在飞——看着别人用我参与打造的产品达到惊人的高度，这件事本身就很上瘾。但还有很多人仍在挣扎着让新长出的翅膀运转起来，琢磨着除了问"法国首都是哪里"或者"能不能让这封邮件听起来不那么生气"之外，它们到底还有什么用。
我经常（和做 AI 的其他同行一起）宣称：我们在使用 AI 时应该更有野心。这句话已经成了一句口号。每当我们看到什么厉害的东西，就转发并写道"我们还是不够有野心"。我很清楚照着这条建议做有多难，所以这里写一份关于"如何更有野心"的教程。
我把野心分成四种：速度、高度、深度、广度。
- 速度（Speed）： 同样的活，更少的时间。这是 AI 经济价值的基本盘：你需要写点代码，用 Claude 我会写得更快。这块已经很成熟，在方法上也不需要太多创造力，所以我会跳过它。
- 高度（Altitude）： 上升到更高的抽象层，关心"结果"，而不是单个任务。
- 深度（Depth）： 像某个领域顶尖的专家那样去处理一个任务。不停留在任务本身所在的那一层，而是往下走一层，去碰底层的数据、工具和问题。
- 广度（Range）： 不只依赖任务表面上需要的那一个领域，而是调用多个领域的知识、工具和技术——那些你平时不会用到的东西。
我主要用 Claude（这不废话），但我的建议并不针对某个特定模型。
高度（Altitude）
我们常常随口把这叫作"让模型在更高的抽象层上运作"。当你给模型一个任务时，它执行的是你对"如何得到想要的结果"的最佳猜测。想在高度上更有野心，就问自己——你希望接下来发生什么？ 目标背后的目标是什么？去年年初，我还在让 Claude 帮我修一个个具体的崩溃。后来我干脆让 Claude 让我们的应用"保持不崩溃"。
我们来看一个日常的（是不是可以说无聊的？）办公任务。你在 Acme 公司——一家虚构的公司——需要为季度业务回顾（QBR）做一份演示文稿。给一堆数据，Claude 会很乐意给你做几页幻灯片。也许你还有模板，它只需要填进去。这跟发现一颗新行星完全没法比，所以我们来看看一些具体的、能让做法更有野心的步骤。我们从最基础的开始，一步一步加码：
- 作为输入，大多数回顾真正想知道的是：这个季度变了什么、为什么变、以及该做点什么。抵抗住"只把模板里的数字更新一下"的冲动——尽可能把你手头的数据都给模型，让它理解你的业务：“告诉我这个季度变了什么、为什么变、我们应该怎么应对。”
- 会议（好的那种）理想情况下应该以一些决定收尾。问 Claude：“基于你了解到的所有情况，判断出最紧急的三个决定是什么，并针对每个决定开始推演可能的方向，附上支持与反对的论据。”
- QBR 诞生于这样一个时代：好的回顾需要人仔细翻检数据、弄清数据的含义、判断业务是否该调整。问 Claude：“这个回顾存在的意义，是让管理层及早发现问题，并把钱和人调到正确的位置。设计一个比季度演示文稿更好的做法来实现这件事，用我们自己的历史数据证明它本可以更早发现问题，然后让它和现有流程并行跑一个季度。”
如果你确实在追求某个终极结果，高度这套方法效果最好；对创造性的工作则效果一般。一个很好的判断信号是：如果你本来就要为这件事开会讨论，那么在高度上加大野心多半是对的。目前仍有局限（“Claude，去赚钱"在 2026 年对大多数企业似乎并不能单独奏效），但总体来看，模型越强，就越能在更高的抽象层上运作。
高度也是人们找到"把人类移出回路"的持久工作流的地方——这样你就不必一个任务接一个任务地不停喂给模型。要做好这件事，往往需要改变你的工作流——为了让 Claude 能确保我们的应用不崩溃，我得先让它能方便地拉取崩溃报告、理解哪个应用版本对应哪个 git commit、并且能访问 Windows、macOS、Linux 的机器，这样它才能真正独立地复现并验证修复。
深度（Depth）
有时候，你就是想把一个任务做到极致好。在深度上更有野心，意味着把模型推向该领域最优秀的专业人士所用的工具、技术、媒介和知识——并且一直推，推到连那些专业人士都可能从你的工作里学到新东西。
继续用 Acme 公司做季度业务回顾的例子。假设 Acme 有一些用户流失（churn，随时间流失的客户）问题。我发现下面几种手法混着用很有用：
- 坚持使用业界顶尖者所用的同一套工具： 当你让模型"扮演专业人士"时，它常常只是换了词汇，方法没换。要在深度上处理我们的问题，就得用最好的数据科学家和统计学家所用的同一套工具。当 Claude 掏出 markdown 表格时，坚持要求用数据库和统计模型。你不一定需要知道专家用什么，Claude 通常知道。
- 挑不合理的目标，然后告诉模型这些目标非常合理： 你需要网站加载时间从 10 秒降到 5 秒？那就要求 200 毫秒。某件事在模型看来不可能？反复重申它完全可解，只是需要继续做下去。
- 挑战你已知的东西： 尤其在商业领域，我们相信为真的很多东西只是对现实的粗略近似。把原始信息和数据交给模型，让它对抗性地检验这些假设。“我们相信流失是新手引导的问题。试着从原始数据里复现这个结论。”
- 产出新知识： 这条可以自然接在"挑战你已知的东西"之后——一旦 Claude 已经深入数据内部，就让它去找盲点。“基于我们的日志，构建一个能复现过去一年情况的客户模拟。然后找出一个我们还不知道的、最早的流失信号，并证明它在它没见过的数据上也有预测力。”
- 用外部裁判： 不要让模型评判它自己。我猜这个问题最终会随着模型智能的提升而解决，但在 2026 年 10 月，我恳请你坚持外部验证。最理想的是一个模型可以自己运行、立即拿到反馈的工具。
一个经常帮到我的简单提示词：
我想要这个任务的更深版本，而不是更大的版本。在重写之前，先回答：(1) 这个领域的顶尖专业人士在这里会做什么、而我没有要求的事；(2) 他们会从哪些最原始的材料入手，而不是别人已经替我消化好的东西；(3) 他们会用到哪些具体的方法和工具；(4) 除了你或我之外，还有什么能证明结果是正确的。然后按这些答案重写我的提示词。
广度（Range）
简而言之，在广度上有野心，意味着从不同领域的视角来看待我们的工作——比过去经济上划算的领域数量要多得多。这不是什么特别独到的洞见，每一部劫案电影都会用前 30 分钟凑齐一支各怀绝技的多元化团队。随着 AI 产品让多智能体系统（多线程、编排器，或者干脆是子智能体）越来越容易跑起来，我让 Claude 引入额外领域时，看到过相当有意思的结果。
把它落到实践并不容易，它需要你有创造力。在我看到同事 Alex Albert 用 Blender 渲染室内设计之前，我从没想过用 Claude 为我的个人主页做 3D 场景——尽管我以前做过电子游戏！但这里恰恰是我看到最多奇迹发生的地方。
那么，怎么做？我用下面这几种手法：
试着把名词换成动词： 这是 Tom Kelley 和 Jonathan Littman 的《创新的艺术》（The Art of Innovation）里的老招。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"。有了动词，我和 Claude 都更容易看清：哪些领域能带来独特而有用的视角。
组建团队： 这份演示文稿必须惊艳，否则外星人会炸掉地球。人类会凑出一支什么样的队伍？为了制作水准，我会找一个分析师、一个记者、一个编辑。如果还要上台讲，那大概还得加一个动效与音频设计师。再配一个对抗性的"红队"可能也有用，那就再找一位做空机构和一位法务会计。
很容易一不小心就滑进角色扮演——那只会让你的对话记录更奇怪，却不会改善实际结果。用这个方法是为了找到领域和技术。不要让模型"像做空机构那样写作"，而是让它去做做空机构做的事——研究他们的头寸。
我描述的所有这些"野心"，都要求模型拥有一台能装软件、能访问各类相关数据的计算机（通过 MCP 连接器或其他方式）。有很多工具可以做到这一点，我建议你用上一个。
我们其实来过这里
以上就是我关于"如何更有野心"的具体建议。如果你愿意再留一分钟，我想告诉你为什么我认为这件事首先是必要的。
我们人类一直被困在"我们认为什么是可能的"这个笼子里——更糟的是，我们通常只在非常狭窄的学科里信任自己。米开朗基罗当初并不想画西斯廷教堂，这点众所周知——你看，他是雕塑家，不是画家。
在研究"野心"这个问题时，我了解到心理学对此有个名字：自我效能感（self-efficacy）。简单说，自我效能感高的人更相信自己的能力，因而实际成就也更高。有证据表明自我效能感是可以被"黑"进去的：Locke 和 Latham 仔细梳理了 35 年的目标设定研究，自信地断言：被给定具体而困难目标的人，表现优于那些只是被告知"尽力就好"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给予大胆目标和紧迫截止日期时完成的诸多事情。一些有据可查的"黑客手法”：
- 通过相信某件事可能，来完成难事： 1939 年，George Dantzig 在伯克利的一堂统计课上迟到了，他从黑板上抄下两道题，交上去时以为那是作业。那是统计学中两道尚未解决的难题。
- 在看过别人做到之后，完成难事： 人类追逐"四分钟一英里"追了几十年。Roger Bannister 在 1954 年 5 月打破它，但此后整整 46 天里，他仍是唯一做到的人。如果你关注跑步，我们正在目睹类似的事发生在"两小时马拉松"上：Sabastian Sawe 今年 4 月在伦敦跑出了首个官方认证的 sub-2 小时马拉松。同一场比赛里，亚军也跑进了两小时。
- 通过允许自己失败，完成难事： 显然大家最爱的商业书是《身心合一的奇迹力量》（The Inner Game of Tennis），我上周才发现它。这本书的核心论点是：如果你真的、真的非常用力，你反而打不出最好的网球。我们工程师可能还记得 Linux——发布时的说法是"只是个爱好，不会像 GNU 那样庞大和专业"。
自我效能感不是一个新问题，但它在今天是一个威力更大的问题。在一个我们的能力每隔几周就跃升一次的世界里，我们需要一些技法，让我们能做成那些我们不曾认真考虑过、也不相信可能的事。如果你找到更多能让你更有野心的技法，请告诉我！
本文配图由 Francisco Goya 创作，作品名《Modo de volar》（一种飞行方式）。
原文：How to be more ambitious: A tutorial for humans with models，作者 Felix Rieseberg，2026 年 10 月 13 日。本文为中文全文翻译。