如何更有野心：写给会用模型的人的一份教程

我在做 Claude。这种体验很有意思：每天我都会了解到 Claude 又完成了某件我没想过、觉得不可能、或者只是没那个好奇心和时间去尝试的事。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，我们也在讨论数学的新纪元。模型的能力并不是齐头并进的。用 Terence Tao 的话说，模型“在某些方向上令人震惊，在另一些方向上却不够用”。有些人成功驾驭了那些惊人的能力，看起来像在飞——看着别人用我做的产品达到难以置信的高度，是会上瘾的。还有很多人仍在费力让自己的新翅膀动起来，琢磨除了问“法国首都是哪里”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。我经常宣称（和别的做 AI 的人一起），我们在使用它时应该更有野心。这已经成了一句口号。每次看到什么厉害的东西，我们就转发并写上“我们还是不够有野心”。**我知道这条建议有多难照做，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、深度和广度。

**速度：**同样的活，用更少的时间。这是 AI 经济价值的基本盘：你需要写点代码，我用 Claude 会更快。这一点已经确立，在如何使用 AI 上也不需要多少创造力，所以跳过。
**高度：**往抽象层面走，考虑的是结果，而不是单个任务。
**深度：**像一个领域顶尖专家那样看待一项任务。不是停留在任务本身的层面，而是往下走一层，去碰底层的数据、工具和问题。
**广度：**调动多个领域，而不只是任务表面上需要的那个领域，用上你平时不会用的知识、工具和方法。

我主要用 Claude（这不废话），但下面的建议不限于某个模型。

高度

我们常随口把它叫作“让模型在更高的抽象层上干活”。你给模型一个任务，它执行的是你对于如何达成目标的最佳猜测。想站得更高一点，先问自己——**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。后来我干脆让它保证我们的应用不崩溃。来看一个日常的（甚至可以说是无聊的？）办公任务。你在 Acme Inc，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 会很乐意帮你做出几页幻灯片。也许你还有模板，它只需要往里填。_ _这跟发现一颗新行星完全没法比，所以我们来看几个具体步骤，把做法变得更有野心一点。从最基础的开始，每一步都更大胆一些：

作为输入，大多数回顾想知道的是这一季度发生了什么变化、为什么、该怎么办。别急着去更新模板里的数字——把手头能拿到的数据尽量都喂给模型，让它理解你的业务：“告诉我这一季度发生了什么变化、为什么，以及我们该怎么做。”
会议（至少是好的那种）最好以一些决定收尾。问 Claude：“根据你了解到的一切，判断哪三个决定最紧迫，并开始为它们拟定可能的方向，附上支持与反对的理由。”
QBR 诞生于这样一个年代：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：“回顾存在的意义，是让管理层尽早发现问题，把钱和人调到正确的地方。设计一种比季度演示文稿更好的方式来做这件事，用我们自己的历史证明它能更早发现问题，并让它和现有方式并行跑一个季度。”

高度路线最适合你确实在追求某种终极成果的场景，对创意类工作则不太适用。判断在高度上追求雄心是否可行，有一个很好的信号：你是否会为了讨论手头的工作而专门开会。目前仍有局限（2026 年，“Claude，去赚钱”这句话本身对大多数企业似乎并不管用），但总体来看，模型能力越强，就越能在更高的抽象层级上运作。高度也是人们找到持久工作流的地方——这些工作流把人移出循环，让你不必不断给模型派发一个又一个任务。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，我首先得让它能轻松获取崩溃报告、理解哪个应用版本对应哪个 git commit，并给它访问 Windows、macOS 和 Linux 机器的权限，这样它才能真正独立复现并验证修复。

深度

有时候，你只是想把一个任务执行得非常好。在深度上追求雄心，意味着推动模型使用该领域顶尖专业人士所用的工具、技术、媒介和知识——并且持续推动，直到连那些人都可能从你的成果中学到新东西。

继续用 Acme Inc 的季度业务回顾演示文稿这个例子。先假设 Acme Inc 正面临一些用户流失（客户随时间流失）的问题。我发现以下技巧的组合很有用：

坚持使用业界顶尖者所用的同一套工具： 当被要求像专业人士那样行事时，模型往往只换了词汇，却没有真正换掉方法。要深入解决我们的问题，就得使用顶尖数据科学家和统计学家所用的同一套工具。当 Claude 伸手去拿 markdown 表格时，坚持要求它使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。
挑一个不合理的目标，然后告诉模型它非常合理： 你需要网站加载时间从 10 秒降到 5 秒？那就要求 200 毫秒。某件事在模型看来似乎不可能？反复强调它完全可以解决，只是需要继续推进。
挑战你已知的东西： 尤其在商业领域，我们相信为真的很多事情只是对现实的粗略近似。让模型接触原始信息和数据，并要求它对抗性地检验各种假设。“我们认为流失是引导流程的问题。试着从原始数据中复现这一点。”
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，就让它找出盲点。“基于我们的日志构建一个客户模拟，复现过去一年的情况。然后找出我们尚不知道的最早流失信号，并证明它能在未见过的数据上做出预测。”
使用外部评判者： 不要_让模型自己评判自己_。我假设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，我恳请你坚持使用外部验证。理想情况下，那应该是一个模型可以立即运行并获得反馈的工具。

一个简单但常常奏效的提示词：

我要的是这个任务更深，而不是更大。改写之前，先做四件事：(1) 说说这个领域里的顶尖高手在这里会做什么、而我没要求你做的事；(2) 说说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过的东西；(3) 说说他们会用哪些具体的方法和工具；(4) 说说除了你或我之外，还有什么能证明结果是对的。然后按这些要求改写我的提示词。

广度

简而言之，在广度上有野心，就是从不同领域的视角来看待自己的工作——涉及的领域比过去那样做还划算的时候要多。这算不上什么独到的见解，每一部劫盗片都会用前 30 分钟凑齐一帮各有所长的角色。随着 AI 产品让多智能体系统（多个线程、编排器，或者干脆就是子智能体）越来越容易跑起来，我让 Claude 引入更多领域，见过不少很有意思的结果。

落到实践上并不容易，这需要你有创造力。在看到同事 Alex Albert 用 Blender 渲染室内设计之前，我从没想过用 Claude 做我主页的 3D 环境——尽管我以前做过电子游戏！但恰恰是在这里，我见到最多神奇的事情发生。

那么，具体怎么做？我用下面这几个办法：

试着把名词换成动词： 这是 Tom Kelley 和 Jonathan Littman 在 The Art of Innovation 里的老招数。季度复盘不是“一份 deck”，而是“在 30 分钟内让一群忙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 deck 必须惊艳，否则外星人就要炸掉地球。人类会凑出一支什么样的队伍？为了制作水准，我会拉来一个分析师、一个记者和一个编辑。如果要上台讲，大概还得加一个动效和音频设计师。再雇一支对抗性的“红队”可能也有用，那就再加一个做空者和一个法务会计。

人很容易不自觉地滑进角色扮演，让 transcript 变得古怪，却对实际结果毫无帮助。用下面这套方法去找到字段和技巧。不要叫模型像做空者那样写作，而是叫它做做空者会做的事，去研究自己的仓位。

我描述的每一种雄心，都要求模型拥有一台能装软件、能访问各类相关数据的电脑（用 MCP 连接器或别的办法都行）。能做到这一点的工具不少，建议你挑一个用。

这事我们经历过

以上就是关于如何更有雄心的具体建议。如果你愿意再留一会儿，我想讲讲我为什么觉得这件事本身就有必要。

人类一直受限于自己相信什么是可能的——更糟的是，我们通常只在自己那点很窄的领域里信任自己。米开朗基罗当年并不想画西斯廷礼拜堂——他是雕塑家，不是画家。

研究雄心这个问题时，我了解到心理学对此有个说法：自我效能感。简单说，自我效能感高的人更相信自己的能力，因而实际做成的事也更多。有证据表明自我效能感是可以被“黑”进去的：Locke 和 Latham 梳理了 35 年的目标设定研究，得出结论——被给定具体而困难的目标的人，表现优于那些只被要求尽力而为的人。Stripe 创始人 Patrick Collison 维护着一份“Fast”清单，记录人类在既有大胆目标又有紧迫期限时完成的种种事情。几个有充分记录的“黑招”：

靠相信事情可能来做成难事： 1939 年，George Dantzig 迟到了 Berkeley 的一堂统计课，抄下黑板上的两道题，当成作业交了上去。那是统计学里两道未解难题。
靠看别人做成来做成难事： 人类追了四分钟一英里几十年。Roger Bannister 在 1954 年 5 月跑进四分钟，但他作为唯一做到的人只保持了 46 天。如果你跑马拉松，我们正在看类似的事发生在两小时上：今年四月，Sabastian Sawe 在伦敦跑出首个官方认证的 sub-two 马拉松。同一场比赛里，第二名也跑进了两小时。
靠允许自己失败来做成难事： 大家最爱的商业书似乎是 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、真的非常努力，你反而打不出最好的网球。我们工程师大概还记得 Linux，发布时的说法是“只是个爱好，不会像 gnu 那样大而专业”。

自我效能感并非新话题，但它在今天影响更大。在一个能力每隔几周就跃升一次的世界里，我们需要一些方法，让我们做到那些原本没认真想过、也不相信可能的事。如果你找到更多能让你更有野心的方法，请告诉我！题图来自 Francisco Goya，《Modo de volar》（飞行的方式）