更有野心地用AI:Claude工程师三招实操

想更有野心地用AI，别只求「同样的活更快干完」。Anthropic 工程师 Felix Rieseberg（做 Claude 相关产品）在 2026 年 10 月 13 日写了一篇英文长文：《How to be more ambitious: A tutorial for humans with models》，把野心拆成高度、深度、广度——往上抬一层、往下挖一层、往旁边借一层。

文章出来后，上了 Hacker News，中文圈也有网易号、开发者策展站等转载和导读。口号「we're not ambitious enough」听着爽，真落到日常提示词上却很难下手。这篇是我按原文做的中文整理，方便直接抄着用；观点和例子都来自 Felix，不是我的独家发明。

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

原文作者把野心拆成四类：

• • 速度（Speed）：同样的活，用更少时间做完。这是 AI 最常见的经济价值——写代码、改邮件、出表格。已经很成熟，创造性要求不高，他直接跳过。
• • 高度（Altitude）：抬高抽象层次，盯结果，而不是盯单个任务。
• • 深度（Depth）：像领域顶尖专家那样想问题：再往下走一层，碰到底层数据、工具和真正的问题。
• • 广度（Range）：不只用任务表面看起来需要的那一个领域，把平时不会用的知识、工具、手法也拉进来。

他主要用 Claude，但说这套建议不绑死某个模型。下面按原文重点展开高度、深度、广度。

二、高度：你接下来想发生什么？

原文作者说，我们常把这叫「让模型在更高抽象层运作」。你给模型一个任务时，它其实是在执行「你对怎么拿到结果的最佳猜测」。要在高度上更有野心，先问自己——你接下来想发生什么？目标之外的目标是什么？

他举自己的例子：去年年初还在让 Claude 修单个崩溃；后来直接要求「让我们的应用保持无崩溃」。

再用日常办公的季度业务回顾（QBR）演示文稿，一步步抬高野心：

1. 1. 别只填模板数字。 尽量把能拿到的业务数据塞给模型：「告诉我本季度发生了什么变化、为什么，以及我们应该怎么做。」
2. 2. 好会议最好以决策收尾。 「基于你了解到的一切，找出最紧迫的三个决策，并为潜在方向准备支持和反对论点。」
3. 3. 追问回顾存在的真正目的。 「回顾是为了让领导层及早发现问题，把资金和人调到正确位置。设计一种比季度演示文稿更好的方式，用我们自己的历史证明它能更早发现问题，并与现行方式并行跑一个季度。」

他提醒：高度路线适合你真正在追最终结果的时候；创意类工作不一定适用。一个好信号是——如果你接下来要开会讨论手头这件事，高度野心往往值得试。 当然也有边界：2026 年对多数业务来说，「Claude，去赚钱」本身还不灵。但随着模型变强，它们能稳住的抽象层也在往上走。

高度还常通向「把人从循环里拿出来」的持久工作流。要做到这点，往往得先改自己的流程：他要让 Claude 保应用无崩溃，就得先保证它能拉崩溃报告、能把 App 版本对上 git commit，还能在 Windows / macOS / Linux 上独立复现和验证修复。

三、深度：别做大，做深

有时你只是想把一件事做得特别好。深度野心 = 推动模型用该领域顶尖专业人士会用的工具、技术、媒介和知识——并继续推，直到那些人也能从你的结果里学到新东西。

还是 Acme Inc 的 QBR，假设公司有用户流失。原文作者常用这几招：

• • 坚持用行业顶尖同款工具。 模型被要求「像专家」时，常常只换了词汇，没换方法。它一伸手去 markdown 表格，你就坚持让它用数据库和统计模型。你不一定知道专家用什么，模型通常知道。
• • 设定偏不合理的目标，并告诉它这很合理。 网站要从 10 秒到 5 秒？直接要 200 毫秒。它觉得不可能？反复说「这完全可解，继续做」。
• • 挑战你以为知道的。 「我们相信流失是入职问题。试着从原始数据里复现这一点。」
• • 产生新知识。 「根据日志建一个客户模拟，复现过去一年；再找出我们还不知道的最早流失信号，并证明它在未见过的数据上也能预测。」
• • 用外部评判者。 千万别让模型自评。理想情况是模型能立刻跑一个工具拿反馈。

他常复制的一条提示词（深度版，不是更大版）：

我想要这个任务的更深版本，而不是更大的版本。在重写之前：(1) 说出该领域顶尖专业人士在这里会做、而我没要求的事；(2) 说出他们会从最原始的材料开始，而不是已经为我消化过的材料；(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，什么能证明结果是正确的。然后重写我的提示词，精确要求这些。

四、广度：把名词换成动词，再组队

广度野心 = 从更多领域的视角看同一件事——比过去「划算」去请的领域还多。原文作者说，每部抢劫电影前 30 分钟都在组一个五花八门的班底；现在多智能体（多线程、编排器、子智能体）越来越好用，敦促模型引入额外领域，经常能出「魔法」。

他同事 Alex Albert 用 Blender 渲室内设计之前，他自己从没想过用 Claude 给主页做 3D 环境——尽管以前做过游戏。

实操两招：

1. 1. 用动词替换名词。 来自《创新的艺术》里的老技巧。季度回顾不是「一份演示文稿」，而是「在 30 分钟内，让忙碌的人相信一个关于因果关系的故事，并在不确定下做决策」。有了动词，才更容易看出哪些领域能贡献独特视角。
2. 2. 组建团队。 为了制作质量，可拉分析师、记者、编辑；要上台讲，再加动态和音频设计；要对抗，再拉做空者和法务会计师。但别陷入角色扮演——别让模型「写一个做空者」，让它「做做空者研究头寸时会做的事」。

所有这些野心玩法，都假设模型有一台能装软件的电脑，并能碰到相关数据（MCP 或其他方式）。他建议你真的配一套，而不是只在聊天框里空想。

五、我们曾经到过这里：自我效能感

写完具体建议后，原文作者停了一下，讲为什么这事现在特别急。

人一直被「自己觉得可能」卡住，而且往往只在很窄的学科里信自己。米开朗基罗一度不想画西斯廷教堂——他觉得自己是雕塑家，不是画家。

心理学把这叫 自我效能感（self-efficacy）：相信自己更能干的人，往往也真的干得更多。Locke 和 Latham 梳理了几十年目标设定研究：给具体困难目标的人，通常比只被说「尽力而为」的人表现更好。Stripe 创始人 Patrick Collison 还维护过一份「Fast」清单，记录大胆目标 + 紧期限下人类干成过的事。

原文整理了几条有记录的「破解」：

• • 先相信可能，再动手。 1939 年 George Dantzig 迟到，把黑板上两道题当作业交了——那其实是统计学里两道未解问题。
• • 看别人做成之后，自己也更容易做成。 四分钟英里被 Roger Bannister 打破后，仅仅 46 天内就不再是孤例；亚两小时马拉松近年也在出现类似连锁。
• • 给自己失败的许可。 《网球的内在游戏》的核心之一：太用力反而打不出最好的球。工程师大概记得 Linux 最初被说成「只是爱好，不会像 GNU 那样又大又专业」。

自我效能感不是新问题，但模型能力每隔几周就跳一档的今天，它更值钱了。我们需要一些手法，去做那些以前根本没认真想过、也不太敢信自己能做成的事。

写在最后

对我来说，这篇最有用的不是口号，而是三句可检查的问题：

1. 1. 高度：做完之后，我真正希望发生什么？
2. 2. 深度：顶尖专业人士会从什么原始材料、用什么工具开干？谁来当外部裁判？
3. 3. 广度：把名词换成动词之后，还能请哪些领域入场？

下次开对话框前，先问自己这三句，再决定提示词写多大。

原文致谢作者：Felix Rieseberg（Anthropic / Claude 相关）标题：How to be more ambitious: A tutorial for humans with models日期：2026-10-13原文：https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/