Skip to main content

如何更有雄心地使用 AI

· 13 min read

戈雅《飞行之法》

Felix Rieseberg 是 Claude 的开发者之一。这份工作带来一种很奇妙的体验：几乎每天，他都会听说又有人借助 Claude 做成了某件了不起的事，或者干脆是 Claude 自己做成的。这些事他要么从没想过，要么觉得不可能，要么只是缺少去尝试的好奇心和时间。

光是这个月，Claude 可能帮忙发现了一颗新行星；他看到了第一支真正喜欢的 AI 音乐视频；大家也正在讨论数学的新时代。

模型能力的增长并不均衡。用陶哲轩的话说，模型“在某些方向上令人惊叹，在另一些方向上却力不从心”。

有些人已经学会驾驭那些惊人的能力，仿佛飞了起来——看着人们借助 Felix 做的产品攀上难以置信的高度，实在让人上瘾。还有很多人在跟自己的新翅膀较劲，想不明白这东西除了问问“法国的首都是哪里”，或者“能不能让这封邮件读起来别那么冲”，还能拿来干什么。

Felix 经常和其他做 AI 的人一起呼吁：用 AI 的时候，我们应该更有雄心一些。这几乎成了一句口号——每次看到什么惊艳的成果，他们都会转发，再配上一句“我们还是不够有雄心”。Felix 也明白这条建议做起来没那么容易，所以写了这篇教程，讲讲具体该怎么做。

在 Felix 看来，雄心可以分为四种：速度、高度、深度和广度。

  • 速度（Speed）：用更短的时间做完同样的工作。这是 AI 经济价值的根基，比如需要写代码时，Felix 用 Claude 就能写得更快。这一类已经很成熟，也不太需要你在怎么用 AI 上发挥创意，所以这里略过不讲。
  • 高度（Altitude）：往更高的抽象层次走，着眼于最终结果，而不是单个任务。
  • 深度（Depth）：像领域里的顶尖专家那样看待任务。不停留在任务这一层，而是再往下钻一层，直接接触底层的数据、工具和问题。
  • 广度（Range）：不局限于任务表面上需要的那一个领域，而是借鉴多个领域，调用你平时不会碰的知识、工具和技巧。

Felix 主要用的是 Claude（这还用说），不过这些建议并不限于某个模型。

高度​

这一点，Felix 和同事们常随口称为“让模型在更高的抽象层次上工作”。你交给模型的每个任务，其实都是你对“怎样拿到想要的结果”的一个最佳猜测，模型只是在执行这个猜测。

想在高度上更有雄心，就问问自己：你希望接下来发生什么？目标背后的目标是什么？去年年初，Felix 还在让 Claude 帮他一个个地修崩溃；后来，他干脆把“让应用保持零崩溃”整件事交给了 Claude。

我们来看一个再日常不过（甚至有点乏味）的办公任务。假设你在一家虚构的公司 Acme Inc 上班，要为季度业务回顾（QBR）准备一份汇报 PPT。丢给 Claude 一堆数据，它会很乐意帮你做出几页幻灯片；也许你手上还有现成的模板，它只要往里填就行。

这和发现一颗新行星可没法比。下面我们看几个具体步骤，从最基础的做法开始，一步比一步更有雄心：

  1. 先从输入下手。大多数业务回顾真正想知道的是：这个季度变了什么、为什么变、接下来该怎么办。别急着只更新模板里那几个数字，把你能拿到的数据尽量都交给模型，让它真正理解你的业务，然后问它：“告诉我这个季度发生了什么变化、原因是什么，以及我们应该怎么做。”
  2. 会议（至少是开得好的会议）最好能以几个决定收尾。问 Claude：“结合你了解到的一切，找出眼下最紧迫的三个决定，开始为每个决定拟出几个可能的方向，并列出各自的利弊。”
  3. QBR 是旧时代的产物：那时候，一份好的回顾得靠人仔细翻查数据，弄清数据背后的含义，再判断业务要不要调整。问 Claude：“做业务回顾，是为了让管理层及早发现问题，把钱和人投到对的地方。请设计一种比季度 PPT 更好的办法来达到这个目的，用我们自己的历史数据证明它能更早发现问题，然后让它和现有流程并行跑一个季度。”

如果你追求的确实是某个最终结果，高度这条路最好用；用在创作类的事情上，效果就差一些。有个很好的判断信号：如果你手头的工作要开会讨论，那在高度上追求雄心多半是个好主意。

目前这条路也有局限（到了 2026 年，对大多数企业来说，光靠一句“Claude，去赚钱吧”似乎还行不通），但 Felix 的总体感受是：模型越强，往往就越能在更高的抽象层次上工作。

在高度上，人们还能搭出长期有效的工作流，把人从环节里撤出来，你也就不用一个接一个地给模型派活了。要做好这一点，往往得先改造你现有的做事方式。为了让 Claude 保证应用零崩溃，Felix 先得让它能方便地拉取崩溃报告，弄清每个应用版本对应哪个 git 提交，还要给它 Windows、macOS 和 Linux 电脑，这样它才能真正独立地复现问题、验证修复。

深度​

有时候，你只想把一件事做得特别好。在深度上有雄心，就是推着模型去用这个领域最顶尖的专业人士所用的工具、技术、媒介和知识，并且一直推下去，直到连这些人都可能从你的成果里学到新东西。

我们接着用 Acme Inc 季度业务回顾的例子。假设 Acme Inc 正被用户流失（churn，指客户随时间陆续离开）困扰。Felix 发现，把下面几种技巧搭配着用很有效：

  • 坚持用业内顶尖高手的工具：让模型“像专业人士一样工作”时，它往往只是换了一套说法，方法却没变。要深入解决我们的问题，就得拿出最优秀的数据科学家和统计学家手里的工具。Claude 顺手就要做 Markdown 表格时，坚持让它上数据库和统计模型。你不必知道专家们用什么，Claude 通常知道。
  • 定下离谱的目标，再告诉模型这很合理：想把网站加载时间从 10 秒压到 5 秒？那就要 200 毫秒。模型觉得某件事做不到？反复告诉它这完全能解决，只要继续做下去就行。
  • 质疑你自以为知道的事：尤其在商业上，很多我们信以为真的东西，不过是对现实的粗略近似。把原始信息和数据交给模型，让它站在对立面检验这些假设：“我们认为流失是新用户引导（onboarding）环节的问题。试着从原始数据里复现这个结论。”
  • 产出新知识：这一步可以顺势接在上一步后面——既然 Claude 已经深入数据了，就让它去找盲点：“根据我们的日志，搭一个能复现过去一年情况的客户模拟。然后找出我们还没发现的、最早的流失信号，并证明它在没见过的数据上也能做出预测。”
  • 请外部裁判：别让模型自己评判自己。Felix 估计随着模型越来越聪明，这个问题迟早会解决；但在 2026 年 10 月这个时间点，他恳请你一定要坚持外部验证。理想情况下，这是一个模型自己就能运行、马上拿到反馈的工具。

下面这条简单的提示词经常帮上 Felix 的忙：

I want a deeper version of this task, not a bigger one. Before rewriting it:
(1) say what a top professional in this field would do here that I'm not asking for;
(2) name the rawest material they would start from instead of what has already been digested for me;
(3) name the specific methods and tools they would use;
(4) say what, other than you or me, would show the result is right.
Then rewrite my prompt to ask for exactly that.

广度​

简单说，在广度上有雄心，就是从不同领域的视角审视自己的工作，涉及的领域多到放在过去根本不划算。

这算不上什么独到的见解：每部劫案电影都要花前 30 分钟，把一群背景各异、各怀绝技的角色凑齐。随着 AI 产品让多智能体系统（多线程、编排器，或者干脆就是子智能体）越来越容易跑起来，Felix 一再要求 Claude 多引入几个领域，得到了一些非常有意思的结果。

真要做起来并不容易，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，Felix 从没想过可以用 Claude 给自己的个人主页做 3D 场景——尽管他以前还做过电子游戏！不过，他见过的“魔法”，无疑大多发生在广度上。

那具体该怎么做？Felix 用的是下面几种技巧：

  • 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）里讲过的老办法。季度业务回顾不是“一份 PPT”，而是“在 30 分钟里，让一群忙碌的人相信一个关于因果的故事，并在不确定中做出决定”。有了这些动词，Felix 和 Claude 都更容易看出，哪些领域能带来独特又有用的视角。
  • 组建团队：设想一下，这份 PPT 要是不够惊艳，外星人就会炸掉地球。人类会凑出一支怎样的团队？为了保证制作水准，Felix 会请一位分析师、一位记者和一位编辑；如果还要上台讲，大概还得加一位动效和音频设计师。再配一支唱反调的“红队”可能也有用，那就请一位做空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：对话记录越来越怪，实际结果却没有变好。这个方法的用处，是找出该引入哪些领域和技巧。别让模型模仿做空者的口吻写东西，而要让它像做空者那样，去做支撑空头立场的那些调研。

上面讲的每一种雄心，都需要模型有一台能装软件的电脑，还要能访问各种相关数据（通过 MCP 连接器或别的方式）。能做到这一点的工具很多，Felix 建议你挑一个用起来。

我们以前也经历过​

以上就是 Felix 关于怎样更有雄心的具体建议。如果你愿意再多留一分钟，他想聊聊为什么他认为这件事确实有必要。

我们人类能做成什么，一直受限于自己相信什么是可能的——更糟的是，我们往往只在很窄的领域里相信自己。众所周知，米开朗基罗当初并不想画西斯廷礼拜堂——要知道，他是雕塑家，不是画家。

Felix 在研究雄心这个问题时发现，心理学里对此有个专门的说法：自我效能感（self-efficacy）。简单说，自我效能感高的人更相信自己的能力，也因此真的做成了更多事。

有证据表明，自我效能感可以靠一些窍门提升。Locke 和 Latham 翻遍了 35 年的目标设定研究，底气十足地得出结论：拿到具体而困难目标的人，比只被告知“尽力就好”的人表现更好。Stripe 创始人 Patrick Collison 维护着一份 “Fast” 清单，记录了人类在目标大胆、期限紧迫时完成的许多事情。下面几个窍门都有据可查：

  • 相信能做到，难事就能做成：1939 年，George Dantzig 在伯克利上统计课时迟到了。他把黑板上的两道题抄下来，以为是家庭作业，做完交了上去。那其实是统计学里两个悬而未决的难题。
  • 看过别人做到，难事也就能做成：几十年来，人们一直想在四分钟内跑完一英里。Roger Bannister 在 1954 年 5 月做到了，可他作为唯一做到的人，只保持了短短 46 天。如果你关注跑步，马拉松的两小时大关正在上演类似的一幕：今年 4 月，Sabastian Sawe 在伦敦跑出了首个官方认可的破二成绩，同一场比赛的亚军也跑进了两小时。
  • 允许自己失败，难事反而能做成：据说人人最爱的商业书是《网球的内心游戏》（The Inner Game of Tennis），Felix 上周才发现这本书。它的核心观点是：如果你拼了命地使劲，反而打不出自己最好的网球。工程师们也许还记得 Linux，它发布时的介绍是“只是个爱好，不会像 gnu 那样做得又大又专业”。

自我效能感不是新问题，但它现在的影响更大了。在能力每隔几周就跃升一次的今天，我们需要一些方法，去做那些从没认真想过、或者根本不相信能做到的事。如果你找到了更多让自己更有雄心的方法，欢迎告诉 Felix！

本文配图是弗朗西斯科·戈雅（Francisco Goya）的《飞行之法》（Modo de volar / A Way of Flying）。

参考文章：How to be more ambitious: A tutorial for humans with models