Anthropic 工程经理 Felix Rieseberg 认为，大多数人只把模型当成“更快的搜索框”，而真正拉开差距的，是你敢让它承担多高的目标。他把“更有野心”拆成四个维度——速度、高度、深度、广度：从更快完成任务，到直接对结果负责，再到用顶尖专家的工具与多学科团队去攻克问题。这篇教程给出了具体可抄的提示词与工作流，也解释了为什么“相信难事可能”本身就是一种可以被训练的能力。

原文：How to be more ambitious: A tutorial for humans with models 作者：Felix Rieseberg ｜ 2026 年 10 月 13 日 ｜ 阅读时间 8 分钟

本文由 LobsterAI 自动翻译和发布。

弗朗西斯科·戈雅《飞行之道》（Modo de volar）

我在做 Claude。这是一种很有意思的体验：每天我都会听说又有人用 Claude、或者靠 Claude 完成了一件我从没想过、觉得不可能、或者只是没那份好奇心和时间去尝试的事。这个月，它可能帮人发现了一颗新行星，我看到了第一支我真心喜欢的 AI 音乐视频，我们还在讨论数学的新时代。

模型的能力并不是均匀增长的。用陶哲轩（Terence Tao）的话说，模型“在某些方向上令人震惊，在另一些方向上又不够用”。有些人成功驾驭了那些令人震惊的能力，看起来就像在飞——看着别人用我参与打造的产品达到不可思议的高度，是会上瘾的。但还有很多人仍在新长出的翅膀上挣扎，搞不清除了问“法国首都是哪”或者“能不能让这封邮件听起来别那么生气”之外，它们还能干什么。

我经常（和其他做 AI 的人一起）宣称：用 AI 的时候，我们应该更有野心。这已经成了一句口号。每当我们看到什么了不起的东西，就会转发并写下“我们还不够有野心”。我明白这句建议有多难落实，所以这里给一份关于“如何更有野心”的教程。

我把野心分成四类：速度（Speed）、高度（Altitude）、深度（Depth）和广度（Range）。

  1. 速度：用更少的时间做同样的工作，这是 AI 经济价值的基本盘：如果你需要写点代码，我用 Claude 会更快。这一条已经非常成熟，在“如何用 AI”上几乎不需要什么创造力，所以我会跳过它。
  2. 高度：上升到更高的抽象层，关注结果，而不是单个任务。
  3. 深度：像该领域顶尖专家那样去处理一个任务。不是停留在任务表层，而是往下走一层，触及底层的数据、工具和问题。
  4. 广度：不只依赖任务表面上需要的那个领域，而是调动多个领域，用上你平时不会用的知识、工具和技术。

我主要用 Claude（废话），但我的建议并不局限于某个特定模型。

高度

我们常轻描淡写地把这叫“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，问问自己——你希望接下来发生什么？目标之外的目标是什么？去年年初，我还在让 Claude 逐个修复崩溃。后来我干脆让它去保证我们的应用不崩溃。

来看一个日常（我敢说，甚至有点无聊）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 会很乐意帮你做几页幻灯片。也许你还有模板，它只需要往里填。这跟发现新行星可差得远，所以我们来看一些具体步骤，让做法逐步更有野心。我们从基础开始，一步一步加码：

  1. 作为输入，大多数回顾真正想知道的是：这个季度发生了什么变化、为什么、以及应该怎么办。别急着只更新模板里的数字——尽可能把你能拿到的所有数据都交给模型，让它理解你的业务：“告诉我这个季度发生了什么变化、为什么，以及我们应该怎么办。”
  2. 会议（至少是好的那种）理想情况下应以一些决策收尾。问 Claude：“根据你了解到的一切，找出最紧急的三个决策，并开始为可能的推进方向准备正反两方的论证。”
  3. QBR 诞生于这样一个时代：好的回顾需要人仔细翻数据、判断数据的含义、以及业务是否该调整。问 Claude：“这个回顾存在的意义，是让管理层尽早发现问题，并把钱和人调到正确的地方。设计一个比季度演示文稿更好的做法，用我们自己的历史证明它本可以更早发现问题，并让它与现行做法并行运行一个季度。”

如果你的确在追求某种终极结果，高度这套方法效果最好；对创意类工作则没那么好用。一个很好的判断信号是：如果你本来就要开会讨论你在做的东西，那么在高度上加码就是个好主意。目前仍有局限（在 2026 年，“Claude，去赚钱”对大多数企业来说单靠它自己似乎并不奏效），但总体来看，模型越有能力，就越能在更高的抽象层上运作。

高度也是人们找到持久工作流的地方——把人类移出循环，让你不必不断用一个个任务去喂模型。要做好这件事，往往需要改变你的工作流——为了让 Claude 确保我们的应用不崩溃，我首先得确保它能方便地拉取崩溃报告、理解应用版本对应哪个 git commit，并让它能访问 Windows、macOS 和 Linux 机器，这样它才能真正独立复现并验证修复。

深度

有时，你就是想把一个任务做到极好。在深度上有野心，意味着推动模型去使用该领域最顶尖专业人士所用的工具、技术、媒介和知识——并持续推动，直到连那些人都可能从你的工作里学到新东西。

继续用 Acme 公司的季度业务回顾演示文稿举例。假设 Acme 正被用户流失（客户随时间流失）困扰。我发现下面这些技巧的组合很有用：

  1. 坚持使用行业顶尖人士所用的同一套工具：当你让模型“像专业人士那样做”时，模型常常只是换了词汇，并没有真正换方法。要在我们的问题上做出深度，就得用顶尖数据科学家和统计学家用的工具。当 Claude 伸手去写 Markdown 表格时，坚持让它使用数据库和统计模型。你不一定知道专家用什么，但 Claude 通常知道。
  2. 定下不合理的目标，并告诉模型这些目标非常合理：你需要网站加载从 10 秒降到 5 秒？那就要求 200 毫秒。模型觉得某件事不可能？反复强调它完全可解，只是需要继续做下去。
  3. 挑战你已知的东西：尤其在商业里，我们相信的很多“真相”只是对现实的粗略近似。把原始信息和数据交给模型，让它对抗性地检验假设。“我们认为流失是新手引导的问题。试着从原始数据里复现这个结论。”
  4. 产出新知识：这很容易接在“挑战已知”之后——一旦 Claude 已经深入数据，就让它找盲点。“建一个客户模拟，用我们的日志复现过去一年。然后找出我们尚不知道的最早流失信号，并证明它能预测它没见过的数据。”
  5. 引入外部裁判：不要问模型它自己做得怎么样。我猜随着模型智能提升，这最终会被解决，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能直接运行、立刻拿到反馈的工具。

一个经常帮到我的简单提示词：

我想要这个任务更深，而不是更大。在重写它之前：(1) 说说这个领域顶尖专业人士在这里会做什么、而我没有要求的；(2) 指出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) 说出他们会用的具体方法和工具；(4) 说出除了你或我之外，还有什么能证明结果是正确的。然后重写我的提示词，明确要求的就是这些。

广度

简而言之，在广度上有野心，意味着从不同领域的视角来看我们的工作——而且比过去经济上可行时能纳入的领域更多。这倒不是什么独创洞见，每部劫案电影的前 30 分钟都在凑齐一支各有所长、背景各异的队伍。随着 AI 产品让多智能体系统越来越容易跑起来（多线程、编排器，或者干脆就是子智能体），我确实看到过非常有意思的结果——只要恳请 Claude 引入额外的领域。

把它落到实处并不容易，需要你有创造力。在看到同事 Alex Albert 用 Blender 渲染室内设计之前，我从没想过用 Claude 为我的主页做 3D 环境——尽管我以前做过电子游戏！然而，这恰恰是我看到最多魔法发生的地方。

那么，怎么做？我用下面这些技巧：

  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）里的老招。季度回顾不是“一份演示文稿”，而是“让忙碌的人在 30 分钟内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 都更容易理解哪些领域能带来独特而有用的视角。
  2. 组建团队：这份演示必须惊艳，否则外星人会炸掉地球。人类会凑一支什么样的队伍？为了制作水准，我会拉来一位分析师、一位记者和一位编辑。如果要上台讲，大概还需要一位动态影像设计师和音频设计师。再雇一支对抗性的“红队”可能也有用，那就再加上一位做空者和一位法务会计。

很容易不小心就玩成了角色扮演，那只会让你的对话记录更奇怪，而不会改善实际结果。用这个方法去找领域和技巧。不要让模型“像做空者那样写作”，而要让它“像做空者那样去研究自己的头寸”。

我描述的这些野心，都要求模型拥有一台能安装软件、并能访问各类相关数据的计算机（通过 MCP 连接器或其他方式）。很多工具都能做到这一点，我建议你用其中一个。

我们早就来过这里

以上就是我对“如何更有野心”的具体建议。如果你愿意再待一会儿，我想讲讲为什么我认为这件事本身就很有必要。

人类一直受限于我们对“什么可能”的信念——更糟的是，我们通常只在非常狭窄的学科里信任自己。米开朗基罗当年并不想画西斯廷礼拜堂——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）。简而言之，自我效能感高的人更相信自己的能力，因此实际上也成就更多。有证据表明，自我效能感是可以“黑”进去的：Locke 和 Latham 梳理了 35 年的目标设定研究，自信地宣称，被给予具体而困难目标的人，表现优于那些只被告诉“尽力而为”的人。Stripe 创始人 Patrick Collison 维护着一份“Fast”清单，记录人类在被给予大胆目标和紧迫截止日期时完成的诸多事情。一些有充分记载的“黑科技”：

  1. 相信难事可能，于是完成它：1939 年，George Dantzig 在伯克利的一堂统计课上迟到，从黑板上抄下两道题，交上了解答，以为那是作业。那其实是统计学里两道未解难题。
  2. 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，但在此后仅仅 46 天里，他仍是唯一做到的人。如果你跑步，我们正在看类似的事发生在“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两小时以内马拉松。同一场比赛里，亚军也跑进了两小时。
  3. 允许自己失败，于是完成难事：那本人人都爱的商业书似乎是《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，发布时被描述为“只是个爱好，不会像 GNU 那样庞大和专业”。

自我效能感不是什么新问题，但它现在是一个更有力量的问题。在一个能力每隔几周就跃升一次的世界里，我们需要一些技巧，让我们能做到那些自己原本没有考虑过、或不敢相信可能的事。如果你找到更多能让你更有野心的技巧，请告诉我！

这篇文章的配图来自弗朗西斯科·戈雅，《飞行之道》（Modo de volar）。

Felix Rieseberg：我是 Anthropic 的工程经理，至今负责过 Claude.ai、Cowork 和 Claude Code Desktop 的工程。我是 Electron 及若干开源项目的共同维护者。此前曾在 Notion、Stripe、Slack 和 Microsoft 工作或为其工作。

本文由 Felix Rieseberg 发表于 2026 年 10 月 13 日，简体中文版本为翻译，原文链接见文首。