效率

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：...