AGI时代，我们的野心还远不够大 | 5Y View

每一次技术范式的跃迁，都在重新定义什么是可能的。但真正抓住机会的人，往往不是最早掌握工具的人，而是最早意识到自己可以追求更大目标的人。

AI时代，我们需要重新校准的，不只是对技术能力的判断，更是对未来可能性的想象。

伟大的时代，不仅需要更强大的技术，更需要更宏大的野心。

本文作者Felix Rieseberg是Anthropic工程经理，曾负责Claude.ai、Cowork和Claude Code Desktop的工程工作，也是Electron等开源项目的共同维护者。

（文末有彩蛋。）

文 | Felix Rieseberg

我一直参与Claude的开发。总会有种有趣的体验：每天，我都会听说又有人借助Claude，或由Claude自己，完成了一件了不起的事；这些事，有的我从未想过，有的我以为不可能，还有的只是我缺乏好奇心和时间去尝试。这个月，它可能帮助发现了一颗新行星；我看到了第一支自己真正喜欢的AI音乐视频；我们还在讨论数学的一个新时代。

模型的能力并非均匀增长。正如陶哲轩所说，模型"在某些方面令人惊叹，在另一些方面却有所不足"。有些人已经能驾驭那些令人惊叹的能力，仿佛飞了起来。看着人们借助我参与开发的产品达到难以想象的高度，实在让人欲罢不能。还有很多人仍在摸索如何让这对新翅膀发挥作用，不知道除了问"法国的首都是哪里"或"能不能让这封邮件听起来没那么生气"，它们还能做些什么。

我经常和其他AI从业者一起呼吁：**使用AI时，我们应该更有野心。**这已经成为一句口号。每当看到令人惊叹的成果，我们都会转发，并写下："我们的野心还不够大。"我知道，真正照着这句话去做并不容易，所以写下这篇教程，谈谈如何变得更有野心。

我将"野心"分为四个维度：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，你需要写一些代码，我用Claude就能更快完成。这种用法已经很成熟，对如何使用AI也不需要太多创造力，所以这里就略过了。

高度：提升思考的抽象层级，关注最终结果，而不是单个任务。

深度：像领域内的顶尖专家一样思考任务。不停留在任务表面，而是再深入一层，触及底层的数据、工具和问题。

广度：借助多个领域的力量，而不局限于任务表面上似乎需要的那个领域，运用你平时不会使用的知识、工具和方法。

我主要使用Claude，但这些建议并不局限于某个模型。

高度

我们常常随口把这叫作"让模型在更高的抽象层级上工作"。当你交给模型一项任务时，它执行的，其实是你认为最有可能实现预期结果的办法。要在高度上更有野心，就问问自己：接下来，你希望发生什么？**这个目标背后的目标是什么？**去年年初，我还在让Claude帮我修复一个个具体的崩溃问题。后来，我直接让Claude确保我们的应用不再崩溃。

我们来看一项日常的办公室任务——或许可以说，是一项平淡无奇的任务。假设你在一家虚构的公司Acme Inc工作，需要为季度业务复盘（QBR）准备一份演示文稿。给Claude一批数据，它就会欣然帮你做出几页幻灯片。此前你可能已经有了模板，它只需要往里面填内容。这和发现一颗新行星显然没法比，所以，让我们看看有哪些具体步骤，能让做这件事的方式更有野心。我们从基础做起，每一步都把目标再提高一点：

大多数复盘都需要先了解：这个季度发生了什么变化，为什么，以及应该如何应对。不要只想着更新模板里的数字。尽可能把你能拿到的数据都交给模型，让它理解你的业务："告诉我，这个季度发生了什么变化，为什么，以及我们应该如何应对。"

会议，最好能以作出一些决策收尾。问Claude："根据你了解到的所有情况，找出当前最迫切需要作出的三个决策，并开始研究可能的方向，列出支持和反对的理由。"

季度业务复盘诞生于这样一个时代：要做好复盘，人们必须仔细筛查数据，弄清数据意味着什么，以及业务是否需要调整。问Claude："复盘的目的是让管理层尽早发现问题，把资金和人员配置到合适的地方。设计一种比季度演示文稿更好的实现方式，用我们自己的历史记录证明它能更早发现问题，并让它与现有方式并行运行一个季度。"

如果你确实在追求某个最终结果，提升高度的方法最有效；对于创作类工作，它的效果则没那么好。有一个很有用的判断信号：如果你正在做的事情，之后还需要开会讨论，那么在高度上更有野心通常值得一试。目前当然还存在限制——在2026年，对大多数企业而言，光说一句"Claude，去赚钱吧"似乎还行不通。但总体来看，我发现模型越强，就越能在更高的抽象层级上工作。

提升高度，也能帮助人们找到可以持续运转、无需人类介入的工作流程，让你不必总是一项接一项地给模型布置任务。要做好这一点，往往需要改变工作流程。为了让Claude确保我们的应用不再崩溃，我首先得确保它能方便地获取崩溃报告，知道每个应用版本对应哪次Git提交，还要让它能够使用Windows、macOS和Linux电脑，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，你只是想把一项任务做得特别好。在深度上更有野心，意味着推动模型使用领域内最优秀的专业人士所采用的工具、方法、媒介和知识，并且不断深入，直到连这些专业人士都可能从你的工作中学到新东西。

继续来看Acme Inc季度业务复盘演示文稿的例子。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流失。我发现，结合使用以下方法很有帮助：

坚持使用行业顶尖人士所用的工具：当你要求模型像专业人士一样工作时，它往往只是换了一套词汇，并没有真正改变方法。要深入解决问题，我们需要使用顶尖数据科学家和统计学家所用的工具。当Claude准备使用Markdown表格时，要坚持让它使用数据库和统计模型。你不一定要知道专家们用什么，但Claude通常知道这些信息。

设定看似不合理的目标，并告诉模型这些目标很合理：你想把网站加载时间从10秒缩短到5秒？那就要求200毫秒。模型觉得某件事不可能做到？反复告诉它，这个问题完全可以解决，只需要继续努力。

质疑你已知的结论：**尤其在商业中，很多我们认为正确的东西，其实只是对现实的粗略近似。**让模型获取原始信息和数据，并要求它以反驳为目的检验假设。"我们认为用户流失是新用户引导环节出了问题。试着从原始数据中复现这个结论。"

产出新知识：这一步很容易接在质疑已有结论之后。当Claude已经深入数据时，让它寻找盲点。"根据我们的日志，建立一个客户仿真模型，复现过去一年的情况。然后找出我们尚未发现的、最早出现的流失信号，并证明它在未见过的数据上也有预测能力。"

引入外部评判：不要让模型评判自己。我想，随着模型智能水平提高，这个问题最终会得到解决，但在2026年10月，我恳请你坚持进行外部验证。最好有一个模型可以自行运行的工具，让它立即获得反馈。

下面这段简单的提示词经常能帮到我：

我希望把这项任务做得更深入，而不是扩大它的规模。 在改写之前：

（1）说出这个领域的顶尖专业人士会做、但我没有提出的事情；

（2）指出他们会从哪些最原始的材料入手，而不是使用别人已经替我加工整理过的内容；

（3）列出他们会使用的具体方法和工具；

（4）说明除了你我之外，还能通过什么来证明结果是正确的。然后改写我的提示词，明确要求做到这些。

广度

简单来说，在广度上更有野心，就是从不同领域的视角审视我们的工作，涉及的领域之多，在过去可能根本不划算。这并不是什么特别新颖的见解：每一部盗窃题材电影，都会用前30分钟集结一群背景各异、各有所长的人。随着AI产品让运行多智能体系统变得越来越容易——无论通过多个线程、协调调度程序，还是简单地使用子智能体——我发现，要求Claude引入更多领域的知识，能带来非常有意思的结果。

把这一点付诸实践并不容易，它需要你发挥创造力。在看到同事Alex Albert用Blender渲染室内设计之前，我从未想过用Claude为自己的个人主页制作3D场景，尽管我以前还做过电子游戏！不过，这也确实是我见到最多神奇成果的地方。

那么，具体怎么做？我会使用以下方法：

试着用动词替换名词：这是Tom Kelley和Jonathan Littman在《创新的艺术》中介绍的一个老方法。**季度复盘不是"一份演示文稿"，而是"在30分钟内，让忙碌的人相信一套关于因果关系的解释，并在不确定性中作出决策"。**用动词描述之后，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。

集结团队：这份演示文稿必须足够出色，否则外星人就会炸掉地球。人类会组建一支什么样的团队？为了保证制作质量，我会找来一位分析师、一位记者和一位编辑。如果还需要现场演示，可能还得加入一位动效与音频设计师。安排一支专门挑错的"红队"或许也有帮助，那就再找来一位做空者和一位法务会计师。

这个过程很容易不知不觉变成角色扮演，只会让对话记录变得更奇怪，却无法改善实际结果。要用这种方法寻找相关领域和方法。不要让模型模仿做空者的写作口吻，而要让它像做空者研究自己的持仓那样开展研究。

我所描述的所有这些提高野心的方法，都要求模型能使用一台电脑，能够安装软件，并获取各种相关数据，无论是通过MCP连接器还是其他方式。已经有很多工具可以做到这一点，我建议你选一个来用。

我们曾经经历过这一切

以上就是我对如何更有野心的具体建议。如果你愿意再多读一会儿，我想谈谈，为什么我认为我们有必要这样做。

我们人类一直受制于自己对“什么是可能的”的判断。更糟的是，我们通常只在很狭窄的专业领域内相信自己的能力。众所周知，米开朗琪罗曾不愿为西斯廷礼拜堂作画——你看，他是雕塑家，不是画家。

在研究野心这个问题时，我了解到，心理学对此有一个专门的概念：自我效能感。简单来说，自我效能感高的人更相信自己的能力，因此也确实能取得更多成就。有证据表明，自我效能感可以通过一些方法来提升：Locke和Latham仔细研究了横跨35年的目标设定研究，得出了明确的结论——被赋予具体且有难度的目标的人，比那些仅仅被要求“尽力而为”的人表现更好。Stripe创始人Patrick Collison维护着一份名为“Fast”的清单，记录了人类在大胆的目标和紧迫的期限下完成的诸多事情。以下几种方法都有充分的记录：

• 相信困难的事可以做到，从而把它做成：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，以为是课后作业，解出来后交了上去。那其实是统计学中两道尚未解决的难题。
• 看到别人做到之后，自己也能完成困难的事：几十年来，人类一直在追求用不到4分钟跑完一英里。Roger Bannister在1954年5月突破了这一关口，但他作为唯一做到这一点的人，只保持了短短46天。如果你关注跑步，就会看到类似的事情正在马拉松两小时大关上发生：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大关。
• 允许自己失败，从而完成困难的事：我上周才发现，The Inner Game of Tennis似乎是所有人最喜欢的商业书。它的核心观点是，当你拼命想打好网球时，反而无法发挥出最佳水平。我们工程师可能还记得Linux刚发布时的那句话：“只是个爱好，不会像GNU那样庞大而专业。”

自我效能感并不是一个新问题，但如今它的影响更大了。**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，或原本不相信有可能做到的事。**如果你发现了更多能让自己更有野心的方法，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）。

编译者：我们已将本文所述方法制成一套Skill，可自行取用↓

https://github.com/whereisnoki-stack/skills/raw/refs/heads/main/ambition-upshift-v1.0%281%29.zip

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