我们用 AI 写邮件、改文案、做 PPT，却很少问自己：是不是从一开始，就把目标定得太小了？这篇文章译自 Claude 开发者 Felix Rieseberg 的《How to be more ambitious: A tutorial for humans with models》。他分享的不是一套提示词技巧，而是三个值得尝试的方向：把目标提得更高，把问题挖得更深，让不同领域的方法碰撞出新的可能。如果你已经在用 AI，却总觉得它的价值不止于此，这篇文章或许能帮你打开思路。

作者：Felix Rieseberg 发表于：2026 年 10 月 13 日

我参与 Claude 的开发。这份工作的体验很有意思：每天，我都会听说有人借助 Claude，或由 Claude 自己，完成了某件了不起的事。有些事我从没想过，有些我以为不可能，还有些，只是我一直没有足够的好奇心和时间去尝试。就在这个月，它可能帮助人们发现了一颗新行星；我看到了第一支自己真心喜欢的 AI 音乐视频；我们还在讨论，数学是否正在进入一个新时代。

模型的各项能力并不是齐头并进的。正如陶哲轩所说，它们“在某些方面令人惊叹，在另一些方面却仍显不足”。有些人已经懂得驾驭那些出色的能力，仿佛真的飞了起来。看着人们用我参与打造的产品抵达惊人的高度，实在让人着迷。另一些人却还在摸索，怎样才能让这对新翅膀派上用场：除了问“法国的首都是哪里”，或者“能不能把这封邮件改得没那么冲”，它究竟还能做什么？

我和许多 AI 从业者经常说：使用 AI 时，我们应该更有雄心。这句话几乎已经成了口号。每当看到令人惊叹的成果，我们就转发，然后感叹一句：“我们的想象还是太保守了。”

但我也理解，真要照着这句话去做，并不容易。所以，我想写一份实践指南，聊聊怎样把目标定得更大胆。

在我看来，这种雄心可以体现在四个维度：速度、高度、深度和广度。

速度：用更少的时间，完成同样的工作。 这是 AI 创造经济价值的基本方式。比如，你需要写代码，我用 Claude 就能更快完成。这种用法已经很成熟，也不太需要你在使用方式上发挥创造力，所以这里就不展开了。高度：提高思考的层次，关注最终成果，而不只是眼前的一项任务。深度：像领域内的顶尖专家那样思考任务。 不停留在任务表面，而是再往下挖一层，深入底层的数据、工具和问题。广度：借助多个领域的力量。 不局限于任务表面上所属的领域，而是用上你平时不会接触的知识、工具和方法。

我主要使用 Claude——这还用说吗——但这些建议并不只适用于某一个模型。

高度

我们常常随口把这叫作“让模型在更高的抽象层次上工作”。

当你给模型布置一项任务时，它执行的，其实是你目前认为最有可能实现目标的办法。想在高度上更进一步，就问问自己：接下来，我真正希望发生什么？眼前这个目标背后，还有什么更大的目标？

去年年初，我还在让 Claude 帮我修复一个个具体的崩溃问题。后来，我干脆让它负责让我们的应用保持稳定、不再崩溃。

来看一个日常的办公室任务——甚至可以说有点乏味。假设你在一家虚构的公司 Acme 工作，需要为季度业务复盘（QBR）制作一套幻灯片。给 Claude 一批数据，它就能很乐意地帮你做出来。也许你已经有了模板，它只需要往里面填内容。

这显然还谈不上发现新行星那样的壮举。那么，我们怎样一步步把目标放大？不妨从最基础的做法开始，逐渐往上走：

先弄清楚发生了什么。 大多数业务复盘想回答的，无非是：这个季度有什么变化，为什么会变，我们应该怎么办？别急着只更新模板里的数字。尽可能把你能拿到的数据交给模型，让它真正理解你的业务：“告诉我，这个季度发生了哪些变化，原因是什么，我们应该采取什么行动。”进一步推动决策。 理想情况下，会议——至少是那些有价值的会议——结束时，应该能作出一些决定。你可以对 Claude 说：“根据你目前掌握的全部信息，找出最迫切需要作出的三个决策，开始梳理可能的行动方向，并分别列出支持和反对的理由。”重新思考整个复盘机制。 季度业务复盘诞生于这样一个时代：要做好复盘，人们必须亲自仔细筛选数据，理解数据意味着什么，再判断业务是否需要调整。你可以对 Claude 说：“复盘的目的，是让管理层尽早发现问题，把资金和人力配置到合适的地方。请设计一种比季度汇报幻灯片更好的办法，用我们自己的历史数据证明，它本来可以更早发现问题，然后让这套办法与现有流程并行运行一个季度。”

当你真正追求的是某个最终结果时，提高目标层次最有用；对于创作类工作，它的适用性就没那么强。一个很好的判断信号是：如果你正在做的东西，之后还需要开会讨论，那么很可能值得把目标再往上提一层。

当然，目前仍然存在限制。到了 2026 年，单凭一句“Claude，去赚钱吧”，对大多数企业来说似乎还是行不通。不过，总体上我看到的是：模型能力越强，就越能在更高的抽象层次上开展工作。

人们也正是在这个维度上，找到能够长期运转、无需人工持续介入的工作流程。这样，你就不必不断给模型安排一个又一个新任务。

要做到这一点，往往需要改变自己的工作流程。比如，为了让 Claude 负责保障应用不崩溃，我得先确保它能方便地获取崩溃报告，知道每个应用版本对应哪一次 Git 提交，还要让它能够使用 Windows、macOS 和 Linux 电脑。只有这样，它才能真正独立复现问题，并验证修复是否有效。

深度

有时候，你只是想把一件事做到极致。

在深度上更有雄心，意味着推动模型采用这个领域最优秀的专业人士所使用的工具、技术、媒介和知识，而且继续往下钻研，直到连这些专家也可能从你的成果中学到新东西。

继续用 Acme 公司季度业务复盘的例子。假设这家公司正面临用户流失问题，也就是客户随着时间推移不断离开。我发现，结合使用下面这些方法很有帮助：

坚持采用业内顶尖人士使用的工具。 当你要求模型表现得像个专业人士时，它往往只是换了一套词汇，并没有真的换一种工作方法。要深入研究问题，我们就得使用顶尖数据科学家和统计学家采用的工具。当 Claude 准备拿 Markdown 表格来应付时，要坚持让它使用数据库和统计模型。你不一定非得知道专家用什么，Claude 通常知道。定一个看起来不合理的目标，并告诉模型，这完全合理。 你原本只想把网站加载时间从 10 秒缩短到 5 秒？那就要求它做到 200 毫秒。如果模型觉得某件事不可能，就再次强调：这个问题完全可以解决，它只需要继续努力。挑战你自以为知道的事情。 尤其是在商业领域，我们认定为真的许多判断，其实只是对现实的粗略近似。让模型接触原始信息和数据，要求它站在质疑者的立场检验假设。比如：“我们认为，用户流失是新用户引导环节出了问题。试着从原始数据中重新验证这个结论。”发现新的知识。 这很容易接在检验既有认知之后：既然 Claude 已经深入数据，就让它继续寻找盲点。“根据我们的日志，构建一个客户行为模拟，重现过去一年的情况。然后找出我们尚未发现的、最早预示用户流失的信号，并用它没见过的数据证明，这个信号确实有预测能力。”引入外部评判。 不要让模型自己给自己打分。我想，随着模型变得更聪明，这个问题最终会得到解决。但至少在 2026 年 10 月，我强烈建议你坚持使用外部验证。最好是某种模型能够自行运行、并立即获得反馈的工具。

下面这段简单的提示词，经常能帮到我：

我想把这项任务做得更深入，而不是把它的规模做得更大。在改写之前，请先回答四个问题：这个领域的顶尖专业人士会做哪些事，而我目前没有提出这些要求？他们会从哪些最原始的材料入手，而不是使用已经替我整理、加工过的信息？他们具体会采用哪些方法和工具？除了你我自己的判断，还有什么能够证明结果正确？然后，请重写我的提示词，明确要求完成上述工作。

广度

简单来说，在广度上更有雄心，就是从不同领域的角度看待自己的工作，而且涉及的领域，可以比过去在成本上划算的范围更多。

这也不是什么独到的见解。哪部盗窃题材的电影，不是先花上半小时，召集一群各怀绝技的人？

随着 AI 产品让多智能体系统越来越容易运行——无论是通过多个会话、协调调度的机制，还是直接使用子智能体——我发现，反复要求 Claude 引入其他领域的方法，往往能带来很有意思的结果。

不过，把这件事落到实处并不容易，你得发挥创造力。直到看到同事 Alex Albert 用 Blender 渲染室内设计，我才想到，可以让 Claude 为我的个人主页制作三维场景。要知道，我以前甚至做过电子游戏！

但毫无疑问，这也是我最常看到惊喜的地方。

那么，具体该怎么做？我会采用下面这些方法：

试着把名词换成动词。 这是 Tom Kelley 和 Jonathan Littman 在《创新的艺术》中介绍过的老办法。季度复盘不是“一套幻灯片”，而是“在 30 分钟内，让一群忙碌的人相信一套关于因果关系的解释，并在不确定的情况下作出决策”。用动作来描述工作之后，我和 Claude 都更容易看清，哪些领域能够带来独特而有用的视角。召集你的团队。 假设这套幻灯片必须精彩绝伦，否则外星人就要炸毁地球。人类会组建一支什么样的团队？为了保证成品质量，我会找一位分析师、一位记者和一位编辑。如果还要现场展示，可能还需要动态图形设计师和音频设计师。再找一支专门挑错、提出质疑的“红队”，也许同样有用，那就再请来一位做空投资者和一位法务会计师。

这里很容易一不小心就变成角色扮演：对话记录越来越奇怪，实际成果却没有变好。使用这个方法，是为了找到值得借鉴的领域和技术。别让模型模仿做空投资者的口吻写作，而要让它采用做空投资者研究投资标的时真正使用的方法。

我上面谈到的所有做法，都有一个前提：模型需要能够使用一台电脑，可以安装软件，也能够获取各种相关数据——无论是通过 MCP 连接器，还是其他途径。目前已经有不少工具能提供这些能力，我建议你选一个用起来。

类似的处境，我们以前也经历过

以上就是我关于如何把目标定得更大胆的具体建议。如果你愿意再读一会儿，我想解释一下：为什么我认为，我们首先需要认真对待这件事。

人类始终受到自己对“什么是可能的”的判断所限制。更麻烦的是，我们通常只在非常狭窄的专业范围内相信自己。

米开朗琪罗不愿意为西斯廷礼拜堂作画的故事，就很有名。毕竟，在他看来，自己是雕塑家，不是画家。

研究这个问题时，我发现心理学里有一个相关概念：自我效能感。简单来说，自我效能感强的人，更相信自己的能力，也因此确实能够完成更多事情。

有证据表明，我们可以通过一些方法提升自我效能感。Locke 和 Latham 梳理了长达 35 年的目标设定研究后，得出了一个明确结论：被赋予具体而有挑战性的目标的人，表现优于那些只是被要求“尽力而为”的人。

Stripe 创始人 Patrick Collison 一直维护着一份名为“Fast”的清单，记录人们在目标大胆、期限紧迫的情况下，完成过哪些了不起的事情。以下几种方法，都有充分的事例支持：

相信事情做得到，就可能完成难事。 1939 年，George Dantzig 在伯克利上统计课时迟到了。他抄下黑板上的两道题，以为是作业，解出来后交了上去。实际上，那是统计学中两道尚未解决的难题。看到别人做到，自己也就更有可能做到。 几十年来，人们一直试图把一英里的跑步成绩突破到四分钟以内。Roger Bannister 在 1954 年 5 月做到了，但他作为唯一达成这一成绩的人，只保持了短短 46 天。如果你关注跑步，就会发现，全程马拉松突破两小时也正在上演类似的故事：今年 4 月，Sabastian Sawe 在伦敦跑出了首个获得正式认可的两小时以内的马拉松成绩。在同一场比赛中，亚军也突破了两小时。允许自己失败，反而可能完成难事。 我上周才读到《网球的内在游戏》，结果发现，这似乎是人人都喜欢的一本商业书。它的核心观点是：如果你一门心思拼命想打好，你反而打不出自己最好的网球。我们这些工程师也许还记得，Linux 刚公布时，是这样介绍自己的：“只是个爱好，不会像 GNU 那样庞大而专业。”

自我效能感并不是新问题，但它如今的影响更大了。在一个我们的能力每隔几周就会跃升一次的世界里，我们需要一些方法，帮助自己去做那些从未认真考虑过、甚至不相信能够做到的事。

如果你发现了其他能让人更有雄心的方法，请告诉我！

本文配图为弗朗西斯科·戈雅的作品《飞行之道》（Modo de volar）。

原文链接：https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/