如何更有雄心：给使用模型的人类的教程
模型能力非均匀增长，多数人只用到皮毛；作者给出四类野心（速度/高度/深度/广度）的具体做法，并指出真正的瓶颈是人类自我效能感。
我在做 Claude 相关的工作。这是一段很有意思的经历：每天我都会了解到又一个用 Claude 或由 Claude 完成的事情，而这些是我此前没想到过的、觉得不可能的，或者只是没那份好奇心和时间去尝试的。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，而且我们正在讨论数学的新时代。
模型能力并不是均匀增长的。正如 Terence Tao 所说，模型"在某些方向上令人惊叹，在另一些方向上却力有不逮"。有些人成功驾驭了这些令人惊叹的能力，看起来就像在飞翔——看着人们用我打造的产品达到不可思议的高度，实在令人着迷。但还有很多人仍在苦苦挣扎，想让自己的新翅膀发挥作用，琢磨着除了问"法国首都是哪里"或"你能不能让这封邮件听起来不那么生气"之外，它们还能用来干什么。
我经常（和其他做 AI 的人一起）宣称，我们在使用它时应当更有野心。这已经成了一句口号。每当我们看到令人印象深刻的东西，就会转发并写道"我们的野心还不够"。我明白遵循这条建议有多难，所以这里有一份关于如何更有野心的教程。
我把野心分为四种类型：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 经济价值的基本盘：如果你需要写一些代码，我用 Claude 会更快。这一点已经相当成熟，在如何用 AI 上也不需要太多创造力，所以这一条我就跳过了。
- 高度： 提升抽象层级，关注结果而非单个任务。
- 深度： 以领域顶尖专家的方式思考一项任务。不是停留在任务本身的层面，而是再深入一层，触及底层的数据、工具和问题。
- 广度： 调动多个领域，而不只是任务表面上可能需要的那一个领域，运用你平时不会用到的知识、工具和技术。
我主要用 Claude（这不是废话嘛），但我的建议并不针对特定模型。
高度
我们常常随口把这件事叫作“让模型在更高的抽象层级上运作”。当你给模型一个任务时，它执行的是你对如何得到想要结果的最佳猜测。要在高度上更有野心，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 帮我修复一个个具体的崩溃。后来，我干脆让 Claude 让我们的应用保持不崩溃。
让我们考虑一个日常的（容我说一句，平淡无奇的？）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）准备一份演示文稿。给定一堆数据，Claude 会很乐意帮你做一些幻灯片。也许你甚至有一个模板，它只需要把内容填进去。这跟发现一颗新行星可没法比，所以让我们看看一些具体步骤，让我们的做法更有野心。我们从基础开始，每一步都稍微更有野心一点：
- 作为输入，大多数复盘都想知道本季度发生了什么变化、为什么变化，以及应该采取什么措施。不要只是更新模板里的数字——尽可能多地把数据交给模型，让它理解你的业务：“告诉我本季度发生了什么变化、为什么变化，以及我们应该怎么做。”
- 会议（理想情况下是好的那种）最好以一些决策收尾。可以问 Claude：“根据你了解到的一切，找出最紧迫的三个决策，并开始研究可能的方向，附上支持与反对的理由。”
- QBR 诞生于这样一个时代：好的复盘需要人仔细梳理数据、弄清数据的含义，并判断业务是否应该调整。可以问 Claude：“复盘存在的目的是让管理层尽早发现问题，并把资金和人力调配到正确的地方。设计一种比季度汇报幻灯片更好的方式来实现这一点，用我们自己的历史证明它本可以更早发现问题，并将它与现行方式并行运行一个季度。”
如果你确实在追求某个最终成果，高度视角法效果最好；它对创造性工作则不太适用。一个很好的判断信号是：如果你打算为手头的工作召开会议，那么追求更高视角的雄心就是个好主意。目前仍有局限（在 2026 年，“Claude，去赚钱”对大多数企业来说似乎并不能单独奏效），但我总体上看到，模型能力越强，似乎就越能在更高的抽象层次上运作。
高度也是人们找到可持久化工作流的地方——这些工作流把人从循环中解放出来，让你不必再频繁地用一个个任务去更新模型。要做好这一点，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，我首先得确保它能轻松获取崩溃报告、理解哪个应用版本对应哪个 git 提交，并让它能访问 Windows、macOS 和 Linux 电脑，这样它才能真正独立地复现并验证修复。
深度
有时，你只是想把一个任务执行得非常好。在深度上有野心，意味着推动模型去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工作中有所收获。
让我们继续用 Acme Inc 的季度业务回顾演示文稿这个例子。暂且假设 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：
- 坚持使用业界顶尖专家所用的同一套工具： 当你要求模型像专业人士一样行事时，它往往只是换了套词汇，方法却原封不动。要深入解决我们的问题，就得用上顶尖数据科学家和统计学家所用的同一套工具。当 Claude 想用 markdown 表格应付时，坚持要求它使用数据库和统计模型。你不一定非得知道专家们用的是什么，Claude 通常知道。
- 设定不合理的目标，并告诉模型这些目标非常合理： 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？反复强调它完全可解，只是需要持续做下去。
- 挑战你已知的东西： 尤其在商业领域，我们笃信的许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。“我们认为用户流失是新手引导的问题。试着从原始数据中复现这一结论。”
- 产出新知识： 这很容易与“挑战你已知的东西”衔接起来——一旦 Claude 已经深入数据之中，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晓的最早流失信号，并证明它能在未见过的数据上做出预测。”
- 引入外部裁判： 不要让模型评判它自己。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，我恳请你坚持引入外部验证。理想情况下，那是一个模型可以运行、能立即获得反馈的工具。
一个常常对我很有帮助的简单提示词：
我想要这个任务的更深版本，而不是更大的版本。在重写它之前：(1) 说出该领域顶尖专业人士在这里会做、而我没有要求你做的事；(2) 说出他们会从什么最原始的材料入手，而不是从已经为我消化好的材料入手；(3) 说出他们会使用的具体方法和工具；(4) 说出除了你或我之外，还有什么能证明结果是正确的。然后重写我的提示词，让它恰好要求这些内容。
范围
简而言之，在范围上雄心勃勃意味着我们从不同领域的视角来审视自己的工作——比过去在经济上可行的更多领域。这并不是什么特别独到的见解，每一部劫案电影都会花前30分钟组建一支由多元角色和才能构成的团队。随着AI产品让运行多智能体系统（多线程、编排器，或者干脆就是子智能体）变得越来越容易，我见过一些非常有趣的结果，来自恳请Claude引入更多领域。
把这付诸实践并不容易；它需要你有创造力。直到我看到同事Alex Albert用Blender渲染室内设计，我才想到用Claude为我的主页制作3D环境——尽管我以前做过电子游戏！然而，这恰恰是我看到最多奇迹发生的地方。
那么，我们该怎么做呢？我使用以下技巧：
- 试着把名词换成动词： 这是汤姆·凯利和乔纳森·利特曼在《创新的艺术》中给出的一个老技巧。季度评审不是“一份演示文稿”，而是“让忙碌的人在30分钟内相信一个关于因果的故事，并在不确定中做出决定”。用动词来表达，能让我和 Claude 都更容易理解哪些领域可能带来独特而有用的视角。
- 组建团队： 这份演示文稿必须足够出色，否则外星人就会炸毁地球。人类会召集一支什么样的团队？就制作质量而言，我会请一位分析师、一位记者和一位编辑。如果还需要现场演示，那大概还得加上一位动态影像与音频设计师。组建一支对抗性的“红队”或许也有用，所以不妨再请一位做空者和一位法务会计师。
很容易一不小心就滑入角色扮演，那只会让你的对话记录变得更古怪，却不会改善实际结果。用这个方法是为了找到领域和技巧。不要要求模型像做空者那样写作，而要它做做空者会做的事，去研究他们的立场。
我描述雄心壮志的所有方式，都要求模型拥有一台能够安装软件的计算机，并能访问各类相关数据（通过 MCP 连接器或其他方式）。有很多工具可以实现这一点，我建议你使用其中一个。
我们曾经来过这里
这是我关于如何更有雄心的具体建议。如果你愿意花点时间听我说，我想告诉你为什么我认为这件事从一开始就是必要的。
我们人类一直受限于自己所相信的可能性——更糟的是，我们通常只在非常狭窄的学科领域里信任自己。米开朗基罗 famously 不想画西斯廷教堂——你看，他是雕塑家，不是画家。
在研究雄心这个问题时，我了解到心理学对此有个名称：自我效能感。简而言之，自我效能感高的人更相信自己的能力，进而实际取得的成就也更多。有证据表明，自我效能感是可以被“黑”的：Locke 和 Latham 仔细梳理了 35 年的目标设定研究，自信地宣称，被赋予具体而困难目标的人比那些只被告知“尽力而为”的人表现更好。Stripe 创始人 Patrick Collison 维护着一份“Fast”清单，记录了人类在同时被赋予大胆目标和紧迫截止日期时所完成的诸多成就。一些有充分记录的方法：
- 相信困难之事可行，从而完成它们： 1939年，乔治·丹齐格在伯克利的一堂统计学课上迟到，从黑板上抄下两道题，交上了解答，以为那是作业。那其实是统计学中两道尚未解决的难题。
- 看别人做过之后，再去完成困难之事： 几十年来，人类一直在追逐四分钟一英里。罗杰·班尼斯特于1954年5月打破这一纪录，但仅仅46天内，他仍是唯一做到的人。如果你热衷跑步，我们正目睹类似的事情发生在两小时马拉松上：萨巴斯蒂安·萨维今年四月在伦敦跑出了首个官方认证的两小时以内马拉松。同一场比赛中，亚军也突破了两小时大关。
- 允许自己失败，从而完成困难之事： 显然，大家最爱的商业书是《网球的内在游戏》，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。我们工程师可能还记得Linux，它发布时被称作“只是个爱好，不会像gnu那样庞大和专业”。
自我效能感不是什么新问题，但如今它更有力量了。在一个我们的能力每隔几周就跃升一次的世界里，我们需要一些技巧，让我们能够做到那些我们未曾真正考虑过或相信可能的事。如果你发现更多能让你更有雄心的技巧，请告诉我！
这篇文章的配图来自弗朗西斯科·戈雅，《飞行之道》（Modo de volar）