Felix Rieseberg我在做 Claude。这经历挺有意思：每天我都会得知又一件用 Claude、或由 Claude 做成的事，是我没想过的，觉得不可能的，或者单纯没那份好奇心、也没时间去试的。这个月，它可能帮着发现了一颗新行星；我看到了自己真正喜欢的第一条 AI 音乐视频；我们也在讨论数学的一个新时代。
模型的能力不是均匀长出来的。用陶哲轩的话说，模型「有些方向上惊人，另一些方向上不够用」。有些人驾驭得了那些惊人的能力，看起来像在飞。看着别人用我参与做出来的产品达到那种高度，会上瘾。更多人还在挣扎着让这双新翅膀动起来，除了问「法国的首都是哪里」，或者「能不能把这封邮件改得不那么生气」，不知道它们还能干什么。
我经常这么说，其他做 AI 的人也一起说：用的时候，我们该更有野心。这句话已经成了口号。每次看到厉害的东西，我们就转发，写上一句「我们还不够有野心」。我知道这句建议照着做有多难，所以这里是一篇关于怎么更有野心的教程。
我把野心分成四种：速度、高度、深度、广度。
- 速度： 同样的活，更少的时间。这是 AI 经济价值里最实在的一块：你要写点代码，我用 Claude 会更快。这条已经很清楚了，对你怎么用 AI 也不要求多少创造力，所以这条我跳过。
- 高度： 往抽象的上层走，看的是结果，不是眼前这一项任务。
- 深度： 按这个领域里领先的专家会怎么看这件事。不要停在任务那一层，再往下走一层，碰到下面的数据、工具和问题。
- 广度： 从好几个领域借，而不只是这件事表面上需要的那一个。用上你平时不会用的知识、工具和方法。
我主要用 Claude，这不用说。但我的建议不绑某一种模型。
高度
我们常随口把这叫「让模型在更高的抽象层上干活」。你交给模型一项任务，它执行的其实是你自己猜的、通往你想要的结果的那条路。想在高度上更有野心，就问自己：接下来你希望发生什么？目标后面的那个目标是什么？去年年初，我还在让 Claude 替我一个一个修崩溃。后来我改口，只让 Claude 让我们的应用保持不崩。
拿一件日常的办公室任务当例子。说句不好听的，它挺平凡。你在 Acme 公司，一家想象出来的公司，要凑一份季度业务回顾（QBR）的幻灯片。给它一堆数据，Claude 会很乐意为你做几页。也许你已经有模板，它只要填进去。这跟发现一颗新行星完全没法比。所以我们来看几步具体做法，让这件事更有野心。从最基本的开始，每一步都再野心一点：
- 作为输入，多数回顾想知道的是这个季度变了什么、为什么、该怎么办。忍住只去更新模板里那些数字的冲动。把你能拿到手的数据也尽量给模型，好让它看懂你的生意：「告诉我这个季度变了什么、为什么，以及我们该怎么办。」
- 会，至少是好的那种，最好以几个决定结束。问 Claude：「面对你了解到的一切，弄清哪三个决定最急，并开始做可能的方向，每个方向写出支持和反对的理由。」
- QBR 来自那样一个时代：好的回顾得靠人仔细筛数据，弄清数据是什么意思，以及生意要不要调整。问 Claude：「回顾存在，是为了让管理层早点抓住问题，把钱和人挪到对的地方。设计一种比季度幻灯片更好的做法，用我们自己的历史证明它会更早发现问题，然后和现在这套并排跑一个季度。」
高度这种做法，在你确实追求某个最终结果时最好用；拿来做创作，就没那么合适。一个很明显的信号是：你手头这件事，接下来还要开会讨论。现在仍有限度。2026 年，对多数公司单说一句「Claude，去赚钱」，本身似乎并不管用。但我大体看到的是，模型越强，就越能在更高的抽象层上干活。
高度也是人们找到那些耐用的、能把人从循环里拿开的工作流的地方。你就不必一遍遍拿下一个任务去更新模型。要做好，常常得先改你的工作流。为了让 Claude 保证我们的应用不崩，我得先让它能方便地取到崩溃报告，弄清哪个应用版本对应哪一次 git 提交，还要给它 Windows、macOS 和 Linux 的电脑，它才能真正自己复现、自己验证修复。
深度
有时候，你就是要把一件任务执行得非常好。深度上有野心，意思是推着模型去用这个领域里最好的专业人士在用的工具、技法、媒介和知识，并且继续推，直到连那些人也可能从你的工作里学到新东西。
接着用 Acme 公司做季度业务回顾幻灯片的例子。先假设 Acme 正为一些用户流失头疼。用户流失，就是客户随时间流失。我发现下面这些做法混在一起有用：
- 坚持用业内最好的人用的同一套工具。 你让模型表现得像个专业人士，它常常只换了词汇，方法并没有换。要把我们的问题做得有深度，就得用上最好的数据科学家和统计学家用的那些工具。Claude 伸手去写 Markdown 表格时，坚持让它用数据库和统计模型。你不一定得知道专家用什么。Claude 通常知道。
- 挑一些不合理的目标，并告诉模型这些目标非常合理。 你需要网站在 5 秒里加载完，而不是 10 秒？那就要求 200 毫秒。有件事在模型看来不可能？反复告诉它：这完全解得开，它只需要继续做下去。
- 质疑你所以为知道的事。 尤其在生意里，很多我们相信为真的东西，只是对现实的粗略近似。把原始信息和数据交给模型，让它反过来检查这些假设。「我们相信流失是上手引导的问题。试着用原始数据把这一点复现出来。」
- 产出新的知识。 这很容易接在上一条后面。Claude 已经钻进数据深处了，就让它去找盲区。「用我们的日志建一个客户模拟，复现过去这一年。然后找出我们还不知道的、最早的流失信号，并证明它能在它没见过的数据上做出预测。」
- 用一个外面的裁判。 不要让模型评判自己。我估计随着模型越来越聪明，这件事最终会解决。但在 2026 年 10 月，我恳请你坚持外部验证。最好是一个模型自己能跑的工具，这样反馈马上就来。
有一段简单的提示，常常帮到我：
我要的是这件事更深的一版，不是更大的一版。重写之前：（1）说出这个领域里顶尖的专业人士在这里会做、而我没要求的是什么；（2）指出他们会从哪一份最原始的材料出发，而不是从已经替我消化好的材料出发；（3）指出他们会用的具体方法和工具；（4）说出除了你和我，还有什么能表明这个结果是对的。然后把我的提示改写成正好要求这些。
广度
简单说，广度上的野心是：我们从不同领域的角度看自己的工作，而且是过去在成本上请不起那么多领域时不会去请的那些。这不是什么特别独到的见解。每一部抢劫片都会把开头 30 分钟花在召集一群各有所长的人上。AI 产品让多智能体系统越来越容易跑起来，多条线程、编排器，或者就是子智能体。我见过一些非常有意思的结果，做法就是明确要求 Claude 把额外的领域带进来。
落到实处并不容易，得你自己有创造力。在看见同事 Alex Albert 用 Blender 渲染室内设计之前，我从没想过用 Claude 给自己的主页做三维环境，尽管我以前做过电子游戏。可是，我看到魔法出现得最多的地方，很容易就是这里。
那我们怎么做？我用下面这些办法：
- 试着把名词换成动词。 这是 Tom Kelley 和 Jonathan Littman《创新的艺术》（The Art of Innovation）里的一个老办法。季度回顾不是「一套幻灯片」。它是「让忙碌的人在 30 分钟里相信一个关于因果的故事，并在不确定之中做出决定」。有了这些动词，我和 Claude 都更容易看清，哪些领域可能带来独特、又用得上的视角。
- 把队伍组起来。 这套幻灯片必须出色，不然外星人就会把地球炸掉。人类会召集一支什么样的团队？要达到能拿出去的质量，我会请来一位分析师、一位记者和一位编辑。如果还得上台讲，大概还要一位动效设计师和一位音频设计师。再雇一支唱反调的「红队」可能也有用，那就请来一位做空者和一位法务会计师。很容易不小心做成角色扮演。那样你的对话记录会更怪，实际结果却不会更好。用这个办法，是为了找到领域和技法。不要让模型去写一个做空者。让它去做空者在研究自己的仓位时会做的那些事。
我所描述的每一种野心，都要求模型有一台能安装软件的电脑，并且能碰到各种相关数据，用 MCP 连接器，或其他办法。能做到这一点的工具很多。我建议你用上一个。
我们以前也来过这里
这就是我关于怎么更有野心的具体建议。如果你愿意再留一分钟，我想说说，为什么我觉得这件事从一开始就是必要的。
我们人类一直被自己相信「什么是可能的」卡住。更糟的是，我们通常只在很窄的专业里信任自己。米开朗基罗出了名地不想画西斯廷礼拜堂的天顶。你看，他是个雕塑家，不是画家。
我在研究野心这个问题时了解到，心理学给它起了个名字：自我效能（self-efficacy）。简单说，自我效能高的人更相信自己的能力，反过来也真的做成更多事。有证据表明，自我效能是可以想办法抬上去的。Locke 和 Latham 翻过 35 年的目标设定研究，很有把握地宣称：给人具体而困难的目标，比只告诉他们尽力去做，表现更好。Stripe 的创始人 Patrick Collison 维护着一份叫 Fast 的清单，记录人在同时拿到大胆目标和很紧的期限时做成的许多事。有几条记录得很清楚的办法：
- 靠相信它可能，去做成难事。 1939 年，George Dantzig 迟到了，走进伯克利的一堂统计课，从黑板上抄下两道题，把解答交上去，以为那是作业。那是统计学里两道尚未解开的题。
- 看见别人做成之后，自己去做成难事。 几十年里，人类一直在追四分钟一英里。Roger Bannister 在 1954 年 5 月打破了它，但此后仅仅 46 天里，他是唯一做到的人。如果你关注跑步，两小时马拉松上正在发生类似的事：Sabastian Sawe 今年 4 月在伦敦跑出了第一场官方的、两小时以内的马拉松。同一场比赛里，第二名也破了两小时。
- 靠允许自己失败，去做成难事。 好像人人最爱的那本商业书，是《网球的内心游戏》（The Inner Game of Tennis）。我上周才发现它。这本书的核心论点是：你要是非常、非常用力地想打好，就打不出自己最好的那一场网球。我们做工程的人可能记得 Linux 发布时的那句：「只是个爱好，不会像 gnu 那样又大又专业。」
自我效能不是个新问题，但现在它力量更大。在一个我们的能力每隔几周就跃一次的世界里，我们需要一些办法，让自己去做那些原本没怎么考虑过、也不相信做得成的事。如果你找到更多能让自己更有野心的办法，请告诉我。
这篇的配图出自弗朗西斯科·戈雅，《飞行的方式》（Modo de volar）。
新手怎么理解
- 他用第一人称在讲自己怎么用 Claude。 速度他跳过了，那是「同样的活做得更快」。剩下三档才是这篇的正文：问结果而不是问任务（高度），用这个领域真正的工具和原始数据（深度），从别的行当借看法（广度）。
- 高度里最好记的一句，是从「替我修这一个崩溃」改成「让应用保持不崩」。 后一句要先改工作流：崩溃报告、版本和代码提交的对应、能自己复现的电脑。没有这些，模型还是在等你把下一个任务喂给它。
- 深度里最容易听岔的一句：让它「像专业人士」，它往往只换词，不换方法。 他要的是数据库和统计模型，加上一个模型自己能跑的外部检查。文中那段四步的提示，就是用来把你的要求改写成这一版。
- 广度不是让模型扮演某个人。 组队伍是为了找到该用的领域和技法。让它去做空者研究仓位时会做的事，而不是让它写成一个做空者。
- 文中「可能发现新行星」，以及两小时马拉松的人名和成绩，都是作者自己的说法，这里没有另做核实。