Anthropic 的工程师说大家用 AI 的方式都很笨拙

原作者：Felix Rieseberg
中文来源作者：Laurie
中文来源：知乎专栏，发布于 2026-10-16 13:00・北京
英文原文：How to be more ambitious: A tutorial for humans with models，发布于 2026-10-13

---

作者：Felix Rieseberg
Anthropic 工程经理，先后负责Claude.ai、Cowork 及 Claude Code 桌面端的工程团队。开源框架 Electron 联合维护者，曾就职于 Notion、Stripe、Slack 和微软。

在 Anthropic 参与打造 Claude 的这阵子，我每天上班都像在开盲盒。

几乎每一天，我都会看到外面的用户用 Claude 鼓捣出一些让我瞠目结舌的东西——有些是我压根没往那方面想过，有些是我觉得现阶段根本不可能实现，还有些纯粹是我自己犯懒没去试。就在这个月，有人用它协助发现了一颗新行星；我刷到了第一支让我真心觉得惊艳的 AI 音乐 MV；连数学界都在严肃讨论，一个“数学的新纪元”是不是已经来了。

大模型的能力增长是非常偏科的。借用数学家陶哲轩（Terence Tao）的话说，它们“在某些方向上惊为天人，在另一些方向上却笨得可以”。

这就导致了一个极其割裂的现象：作为造工具的人，我看着一小撮“神仙玩家”摸透了模型的脾气，简直像长了翅膀一样在天上飞，这种观赏体验让人非常上瘾；但转头一看，绝大多数人面对这双新长出来的翅膀却手足无措——除了问问“法国的首都是哪儿”，或者“帮我把这封怼人的邮件改得礼貌点”，似乎就不知道这玩意儿还能干嘛了。

所以在我们这帮做 AI 的人里，最近有一句口头禅特别流行。每当看到什么神仙操作，我们就会一边转发一边感慨：“我们的野心还是太小了（We're not ambitious enough）。”

说实话，我特别理解大家听到这句话时的无力感——这听起来太像一句正确的废话了。到底怎么才叫“更有野心”？今天我不灌鸡汤，直接从一线实战的角度，跟大家聊聊怎么把大模型的潜力真正榨干。

在我看来，用 AI 的野心可以分为四个段位：速度（Speed）、高度（Altitude）、深度（Depth）和广度（Range）。

拿“速度”来说，无非就是以前写一天代码，现在有 Claude 半天写完。这是目前 AI 最显性的商业价值，但说白了就是“搬砖更快了”，不需要什么想象力，咱们直接略过。真正能拉开差距的，是后面三个维度。

一、拔高“高度”：别拿它当实习生派活，让它替你兜底

在内部，我们常说一句话：“让模型在更高的抽象层级上干活。”

什么意思呢？平时你给 AI 派一个具体任务，其实是在让它执行你脑子里想出来的解决方案。要在“高度”上更有野心，你得学会追问自己：这件事干完之后呢？我最终到底要什么结果？

举个我自己的例子。去年年初，我用 Claude 的方式还很原始：App 崩了，我把报错日志丢给它，让它帮我修好这一个 Bug。到了后来，我的指令直接变成了：“想办法让我们的 App 永远保持零闪退。”

为了让你更有体感，咱们来看一个所有打工人最头疼的场景：假设你在一家叫 Acme 的公司上班，月底了，你得憋出一份季度业务复盘（QBR）的 PPT。

常规操作是什么？把一堆表格丢给 Claude，再给它套个模板，让它把数字填进去生成几页胶片。这当然能省事，但跟“发现新行星”比起来，实在算不上什么野心。如果我们试着把“高度”一层层往上拔，画风会变成这样：

• 第一层（要洞察，不要填表）：复盘的本质是搞懂“这季度变了什么、为什么变、接下来怎么干”。忍住让它直接填模板的冲动，把你能搞到的所有业务数据一股脑全喂给它，先让它吃透你的生意，然后直接问：“告诉我这个季度发生了什么变化，原因是什么，我们该怎么应对？”

• 第二层（要决策，不要汇报）：好会议的结果一定是拍板做决定。你可以再往上走一步：“结合你刚才看到的所有情况，推演出眼下最紧迫的三个决策是什么？分别给出备选方案，并把正反两方的论据都列出来。”

• 第三层（直接掀桌子，重构机制）：仔细想想，QBR 这种写 PPT 开大会的形式，本质上是上一个时代的产物——因为过去只有靠人肉去扒数据，才能搞清楚业务健不健康。现在既然有了 AI，为什么还要写 PPT？你可以直接对 Claude 下令：“季度复盘存在的唯一目的，是让管理层及早嗅到危机，把钱和人调配到刀刃上。请你设计一套比‘每个季度写 PPT’更高效的预警机制，拿我们过去两年的历史数据跑一遍，证明你的新机制能更早发现问题。下个季度，让新机制和现有的 QBR 并行跑一下试试。”

看到了吗？当你追求的是一个终极结果（尤其是那些平时需要拉一堆人开会扯皮的事），“拔高高度”往往能产生奇效。

而且，一旦你站到了这个高度，你就机会搭建起真正“把人从循环里解放出来（Out of the loop）”的自动化工作流，不用再像催命一样一句句给 AI 喂指令。当然，这也倒逼你去改造自己的工作基建。就像我为了让 Claude 自己保证 App 零闪退，我得先帮它打通抓取崩溃日志的权限，让它能看懂哪个版本号对应哪次 Git 提交，甚至给它配齐了 Windows、macOS 和 Linux 的虚拟机环境——只有这样，它才能自己去复现 Bug、自己写补丁、自己跑测试验证，形成完美闭环。

二、死磕“深度”：别让 AI 用黑话糊弄你，逼它掏出真家伙

有些时候，我们不需要搞那么宏大的叙事，就是想把手里这件具体的活儿干到极致。

在“深度”上有野心，意味着你要逼着大模型去调用该领域最顶尖的专家才会用的工具、方法和底层材料——一直把它逼到墙角，直到它产出的东西连人类专家看了都得倒吸一口凉气。

还拿刚才那家虚构的 Acme 公司举例，假设你们现在最头疼的问题是用户流失（Churn）。我是怎么逼 Claude 往深里挖的呢？通常我会打出一套组合拳：

1. 逼它交出行业顶配的“吃饭家伙”
很多人喜欢在 Prompt 里写“请你扮演一名资深数据科学家”。说实话，这招现在不太好使了。你这么说，模型往往只是换了一套看似专业的黑话来糊弄你，骨子里用的还是老一套。当 Claude 习惯性地想画个 Markdown 表格敷衍我时，我会立刻打断它，强硬要求它必须动用真实的数据库和统计学模型。你甚至不需要知道顶尖专家具体用什么工具，直接逼问 Claude 就行，它肚子里其实全知道，只是你不逼它，它就偷懒。

2. 给模型“画最狠的饼”，并且一口咬定这完全合理
这招听起来有点像在 PUA 大模型，但极其管用。比如你的网页加载要 10 秒，你想优化到 5 秒？听我的，直接要求它优化到 200 毫秒。如果模型跟你说“这在物理上似乎不太可能”，你一定要面不改色地告诉它：“这完全有解，非常合理，你再想想办法，别停。”

3. 拿最原始的脏数据，去砸碎团队的“固有偏见”
在商业公司里，大家深信不疑的很多“常识”，其实都是拍脑袋拍出来的粗糙假设。把最底层的原始日志（Raw Data）直接丢给模型，让它唱反调：“我们团队一直觉得用户流失是因为新手引导做得太烂。你现在直接去扒原始数据，看看能不能把这个结论给我推翻，或者证实。”

4. 让它在无人区里生产“新知识”
既然模型都已经钻进底层数据里了，不妨顺手让它帮你找找盲区：“根据过去一年的日志，写一个能复现我们客户行为的模拟器。然后，去里面揪出一个我们人类目前还没意识到的、最早期的流失预警信号，并用它没见过的测试集数据证明这个信号是真的准。”

5. 找个外部裁判，千万别让模型“自证清白”
也许未来更聪明的模型能解决这个问题，但在 2026 年 10 月的今天，我苦口婆心地劝你一句：绝对不要让模型自己评估自己的产出。一定要引入外部的客观验证——最好是一个模型自己就能随时调用、立刻拿到打脸反馈的测试脚本或验证工具。

分享一个我私藏的“深度压榨”万能 Prompt：
每次我觉得模型做得太肤浅时，我就会把这段话甩给它：
“我想要这个任务的一个更深度的版本，而不是把摊子铺得更大。在重写我的需求之前，你先回答我四个问题：
（1）如果换成这个领域最顶尖的大牛来干这事，他会做哪些我刚才根本没提到的动作？
（2）他们会从哪种最原始的底层材料入手，而不是看那些已经被别人嚼碎消化过的二手信息？
（3）他们具体会用什么分析方法和专业工具？
（4）除了你和我主观觉得好之外，有什么外部工具或客观指标能铁证如山地证明结果是对的？
把这四点想明白之后，重新改写我的 Prompt，把上面这些要求全给我加进去。”

三、 拓宽“广度”：像拍《十一罗汉》一样，组个跨界神仙局

什么是“广度”上的野心？简单说，就是摇人——摇那些按以前的预算成本，你八辈子都请不起的跨界专家来干同一件事。

好莱坞的夺宝劫案大片（比如《十一罗汉》），前 30 分钟永远在干同一件事：男主角满世界跑，把各怀绝技的奇人异士凑成一个草台班子。现在，随着多智能体（Multi-Agent）框架越来越成熟，开多个线程、让主 Agent 调度一堆子 Agent 已经成了家常便饭。当你强行把不同学科的视角拧在一起时，往往就是真正的“魔法”发生的时刻。

当然，这非常考验你自己的脑洞。我自己以前明明是做游戏开发出身的，但直到前阵子，我看到同事 Alex Albert 居然在用 Claude 操纵 Blender 渲染室内装潢设计图，我才猛然拍大腿反应过来：我怎么就没想到让 Claude 帮我的个人主页搭个 3D 交互环境呢！你看，人类就是这么容易被自己的经验困住。

那怎么才能打开脑洞、把跨界的局组起来？我摸索出了两个很管用的野路子：

第一招，把任务里的“名词”全换成“动词”。
这是经典创新圣经《创新的艺术》里教的一个老把戏。比如，季度复盘不是“一份 PPT”（这是名词），它的本质是“在 30 分钟内，让一群日理万机的大忙人相信一个关于因果关系的商业故事，并在信息不全的情况下拍板做决定”（全是动词）。一旦翻译成动词，你和 Claude 瞬间就能反应过来：为了达成这几个动作，我们还能去哪个行业偷师？

第二招，假设“搞砸了外星人就会炸掉地球”，重新组队。
想象一下，如果这次汇报搞砸了，地球就要毁灭，全人类会凑出一个什么配置的梦之队来帮你弄这份材料？

• 为了内容硬核、故事好看，我肯定得拉来顶尖的数据分析师、深度调查记者和毒舌主编；

• 既然要上台演示，我还得配个顶级的动态图形设计师和音效师；

• 这还不够，为了防止上台被老板问倒，我必须组一个专挑毛病的“红队（Red Team）”——直接请一位华尔街做空机构的分析师，外加一名专门查假账的法务会计师，提前把我的报告往死里锤一遍。

⚠️ 这里有个大坑千万要避开：
很多人在干这件事时，一不小心就会滑向尴尬的“角色扮演（Role-play）”。这除了让聊天记录变得中二、诡异之外，对结果没有任何帮助。记住，我们是为了借用那个行业的方法论和视角。千万别让模型“用做空者的口吻写段话”，而是要命令它“去做一个华尔街空头在狙击一家公司前，会做的那些具体的尽调动作”。

（顺带提一嘴，无论你是想拔高度、挖深度还是拓广度，都有一个硬前提：别把模型关在网页聊天框的笼子里。给它配一台能自己装软件的电脑环境，通过 MCP 连接器或者其他方式把真实数据权限喂给它。现在市面上有很多现成的工具能做到这一点，强烈建议赶紧用起来。）

四、 尾声：困住我们的从来都不是算力，而是心魔

实操的招数聊完了。如果你还不着急关掉页面，我想花最后两分钟，跟你聊聊为什么我们居然需要一篇教程，来教自己“怎么变得更有野心”。

人类这种生物，天生就容易被自己认为“可能”的边界给画地为牢。更要命的是，我们往往只敢在自己极其狭窄的一亩三分地里保持自信，稍微跨界半步就开始自我怀疑。当年教皇找米开朗基罗去画西斯廷教堂的天顶画，这老哥死活不干——因为在他自己的认知里，“我是个搞雕塑的，我哪会画画啊！”

在写这篇文章查资料时，我发现心理学界对这种现象早就起好名字了，叫“自我效能感（Self-efficacy）”。说白了就是：你越相信自己能搞定一件事，你最后真搞定的概率就越大。

好消息是，人类的这种心理机制，是可以被“卡 Bug（Hacked）”强行破局的。心理学家 Locke 和 Latham 翻遍了整整 35 年的目标设定研究后得出一个铁律：直接给人下达“具体且极难”的目标，其最终表现远远好于温和地告诉他们“你尽力而为就行”。Stripe 的创始人 Patrick Collison 甚至专门维护了一个叫“Fast（神速）”的清单，里面全是在“看似不可能的宏大目标 + 极其变态的死线”双重夹击下，人类爆发出的工程奇迹。

回顾历史，人类打破“自我设限”通常靠这三种外挂：

1.因为“不知道这事儿不可能”，所以莽过去了：1939 年，乔治·丹齐格（George Dantzig）在伯克利上统计学课时迟到了。他看黑板上写着两道题，以为是老师留的课后作业，就抄下来带回宿舍硬啃，过了几天交了上去。后来他才知道，那是当时整个统计学界都没人能解开的两道世界级难题。

2.只要亲眼看见别人捅破过窗户纸，封印就会瞬间解除：几十年来，人类一直觉得“4 分钟跑完 1 英里”是人类生理的绝对极限。直到 1954 年 5 月，罗杰·班尼斯特（Roger Bannister）第一次跑进了 4 分钟；结果你猜怎么着？这个纪录仅仅保持了 46 天，就被第二个人破掉了。如果你平时关注跑圈，同样的历史就在今年刚刚重演过：今年 4 月的伦敦马拉松上，萨巴斯蒂安·萨维（Sabastian Sawe）跑出了人类历史上第一个官方认证的“破二（2小时内）”成绩；而在同一场比赛里，紧随其后的亚军也同时跑进了两小时大关！

3.允许自己搞砸，反而能打出神仙球：我上周刚看完硅谷大佬们人手一本的《网球的内心游戏》。这本书的核心观点特别反直觉：如果你在场上绷得太紧、太想赢，你反而打不出最好的网球。咱们写代码的人应该都记得 Linux 刚诞生时，Linus 在邮件列表里是怎么介绍它的——“这只是我个人的一个小业余爱好，不会搞成跟 GNU 那样又大又专业的东西的。”

你看，“不敢想”并不是今天才有的新毛病。但在 AI 时代，这个毛病的代价被无限放大了。

在一个底层模型能力每隔几周就会发生一次跃迁的世界里，限制我们飞多高的，早就不再是手里的工具，而是我们敢不敢去触碰那些过去连想都不敢想的命题。

如果你在和模型死磕的过程中，摸索出了更多能激发“野心”的邪门歪道，随时来找我聊聊！

(注：本文原配图选自西班牙画家弗朗西斯科·戈雅的版画《飞翔的方式》 "Modo de volar")

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