方法论

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。 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）。 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。 高度：上升到更高的抽象层，关注结果，而不是单个任务。 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。 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： 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。” 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。” 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。...