2026年，AI 似乎每天都在刷新我们的认知：帮忙发现新行星、制作音乐视频、攻克数学难题，甚至开始"自己做科研"。
但一个更现实的问题，很少有人认真回答：面对这些能力，普通人到底该如何使用它？大多数人还在用它来"查首都"和"改邮件"，而真正会用的人，似乎已经飞了起来。
Anthropic 工程主管 Felix Rieseberg 长期负责 Claude.ai 的工程团队，还是 Electron 的联合维护者，此前曾在 Notion、Stripe、Slack 和微软工作。在他看来，我们普遍低估了 AI 的潜力，"不够有野心"是大多数人使用 AI 时最大的瓶颈。
他把"有野心地使用 AI"拆成了四个维度：速度、高度、深度、广度。速度是用更少时间做同样的事；高度是越过任务本身，直达任务背后的终极目标；深度是像领域顶尖专家那样，坚持用专家的工具、挑战既有假设、产出新知识；广度是跨领域组建"团队"，让分析师、记者、做空者、法务会计师各司其职。
而这一切的底层，是一个心理学概念：自我效能感。人类总被自己对"可能性"的判断所束缚，而解法也并非没有先例：相信它可能、看到别人做到、允许自己失败。
https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/
以下为 Felix Rieseberg 文章全文，经翻译整理，有删改。
我在 Claude 团队工作。这份工作每天都给我带来新的惊奇。几乎每一天，我都能发现有人用 Claude 完成了某件事，这件事我此前从未想过，或者认为不可能，又或者纯粹是因为缺乏好奇心和时间而没去尝试。这个月，它可能帮忙发现了一颗新行星；我看到了第一条真正让我喜欢的 AI 音乐视频；我们还正在讨论数学的一个新时代。
模型能力并非均匀增长。正如陶哲轩（Terence Tao）所说，模型"在某些方向上惊人地出色，而在另一些方向上又明显不足"。有些人懂得驾驭那些惊人的能力，仿佛真的飞了起来。看着人们用我参与打造的产品抵达不可思议的高度，实在令人上瘾。但还有许多人仍在努力让自己那对"新翅膀"运转起来。
他们还在琢磨，这东西到底还能干什么，除了问"法国的首都是哪里"或者"能帮我把这封邮件改得没那么冲吗"。
我常和 AI 行业的其他同行一起宣称，我们在使用 AI 时应该更有野心。这句话几乎成了一种口号。每当看到什么令人印象深刻的东西，我们就转发并写上"我们还是不够有野心"。我很清楚要真正落实这个建议有多难，所以这篇就是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、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。如果你需要写一段代码，我借助 Claude 能写得更快。这一点已经广为接受，而且在使用方式上几乎不需要什么创造力，所以我不展开讲。
高度：在抽象层面往上走，关注最终结果，而不是单个任务。
深度：像某个领域的顶尖专家那样对待一项任务。不停留在任务表面那一层，而是再往下深入一层，触及底层的数据、工具和问题。
广度：不只依赖任务表面所需的那一个领域，而是跨多个领域汲取知识、工具和方法，那些你平常根本不会用到的东西。
我主要使用 Claude（废话），但我的建议并不针对某个特定的模型。
高度：我们常常随口说"让模型在更高的抽象层次上运作"。当你给模型一个任务时，它执行的是你对"如何得到想要的结果"的最佳猜测。要在高度上更有野心，问问自己：接下来你希望发生什么？目标背后的目标是什么？去年年初，我还在让 Claude 帮我逐个修复崩溃问题。后来，我干脆让它保证我们的应用不发生崩溃。
我们来看一个日常，甚至可以说平庸的办公室任务。假设你在一家叫 Acme 的虚构公司，需要为季度业务回顾（QBR）准备一套演示文稿。给它一堆数据，Claude 会很乐意帮你做一些幻灯片。也许你甚至有一个模板，它只需要往里填内容就行。这跟发现新行星没法比，所以我们来看看有哪些具体步骤能让做法更有野心。我们从最基础的开始，一步步加码：
1.作为输入，大多数复盘想知道的是这个季度发生了什么变化、为什么、以及应该采取什么行动。忍住"只更新模板里现有数字"的冲动。尽可能把你能拿到的所有数据都给模型，让它真正理解你的业务："告诉我这个季度发生了什么变化、为什么，以及我们应该做什么。"
2.会议，至少是好的那种，最终应该产出一些决策。让 Claude："根据你了解到的一切，找出最紧迫的三项决策，并开始针对每个方向展开论证，列出支持与反对的理由。"
3.QBR 诞生于这样一个时代：好的复盘需要人工仔细筛选数据、搞清楚数据意味着什么、以及业务是否需要调整。问 Claude："复盘存在的意义，是让管理层尽早发现问题，把钱和人调配到正确的地方。设计一种比季度演示文稿更好的方式来达成这个目的，用我们自己的历史证明它能更早发现问题，并让它与现有流程并行运行一个季度。"
高度路线最适合你真正追求某个终极结果的情况，对创意类工作效果欠佳。一个简单的判断标准是：如果你接下来要为这件事开会讨论，那么高度式的野心大概率是个好主意。
它目前也有局限，"Claude，去赚钱吧"在 2026 年对大多数公司来说还不奏效，但我总体观察到，模型能力越强，似乎就越能在更高的抽象层次上运作。
高度也是人们找到持久工作流的地方。它把人移出循环，让你不必不断向模型派发一个又一个任务。要做好这一点往往需要改变你的工作方式。为了让 Claude 保证应用无崩溃，我得先确保它能方便地获取崩溃报告、弄清楚哪个应用版本对应哪次代码提交，并给它接入 Windows、macOS 和 Linux 电脑，让它能真正独立地复现并验证修复方案。
深度：有时候，你只想把一个任务执行得极其出色。在深度上追求野心，意味着推动模型去使用行业内最优秀专业人士所用的工具、技术、媒介和知识，并且不断加码，直到连那些人看了你的成果都能学到新东西。
继续以 Acme 公司的季度业务回顾为例。假设 Acme 正为用户流失所困扰。我发现下面这些技巧混合使用非常有效：
1.坚持使用行业顶尖者使用的工具。当被要求"像专业人士一样"时，模型往往只是换了套词汇，方法却没有真正改变。要在这个问题上做出深度，我们需要使用最顶尖的数据科学家和统计学家使用的同款工具。当 Claude 伸手去写 Markdown 表格时，坚持让它使用数据库和统计模型。你不必自己知道专家们用什么，Claude 通常都知道。
2.设定不合理的终极目标，并告诉模型它非常合理。你的网站加载需要 5 秒而不是 10 秒？那就要求 200 毫秒。有什么东西看起来不可能？反复强调它完全可解，只需要继续推进。
3.挑战你已有的认知。尤其在商业领域，我们认为正确的事情里，有很大一部分只是对现实的粗略近似。让模型接触原始信息和数据，让它去对抗性地检验那些假设。"我们相信流失是新手引导的问题。试着从原始数据中推导出这个结论。"
4.产出新知识。这一步很容易接在上一条后面。既然 Claude 已经深入数据内部了，那就让它寻找盲区。"基于我们的日志构建一个客户模拟系统，能复现过去一年的情况。然后找出我们尚未发现的、最早的流失信号，并证明它在没见过的数据上具有预测力。"
5.引入外部裁判。不要让模型评判自己。我猜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，我恳请你坚持外部验证。理想情况下，那应该是一个模型可以自行运行、并立即获得反馈的工具。
有一个简单的提示词对我帮助很大：
我要的是这个任务的更深版本，而不是更大版本。在重写之前，请先：(1) 说出一个该领域的顶尖专业人士在这里会做什么、而我没有要求的；(2) 指出他们会从最原始的什么材料入手，而不是那些已经被消化过的二手信息；(3) 说出他们会用的具体方法和工具；(4) 说明除了你或我之外，还有什么能证明结果是对的。然后把我的提示词改写成恰好要求做到这些的样子。
广度：简而言之，在广度上追求野心，意味着从不同领域的视角来审视我们的工作，领域的数量要超过过去在经济上可行的范围。这并不是什么独到见解。每一部抢劫片都会花前 30 分钟集结一支背景各异、各有所长的团队。随着 AI 产品让多智能体系统越来越容易运行，无论是多线程、编排器，还是单纯的子智能体，我通过央求 Claude 引入更多领域，看到了非常有趣的成果。
付诸实践并不容易，它需要你发挥创造力。在我看到同事 Alex Albert 用 Blender 渲染室内设计之前，我从未想过用 Claude 为我的主页做 3D 场景，尽管我自己以前还做过电子游戏。不过，这里恰恰是我看到"魔法"最常出现的地方。
那具体怎么做？我用下面这些技巧：
1.试着把名词换成动词。这是 Tom Kelley 和 Jonathan Littman 的《创新的艺术》里的老技巧。季度复盘不是一套幻灯片，而是"让繁忙的人在 30 分钟内相信一个关于因果的故事，并在不确定性下做出决策"。有了动词，我和 Claude 都更容易看清哪些领域可能带来独特而有用的视角。
2.组建团队。假设这套幻灯片必须做得惊艳，否则外星人就会炸掉地球。人类会召集一支什么样的队伍？为了制作质量，我会请来一位分析师、一位记者和一位编辑。如果需要现场演示，大概还得加上一位动效设计师和一位音效设计师。或许再引入一个"红队"做对抗性审查也不错，所以我们再请一位做空者和一位法务会计师。
一个常见的陷阱是不小心陷入了角色扮演。这只会让你的对话记录变得更奇怪，并不会改善实际结果。用这个方法的目的是找到领域和技术。不要让模型去"扮演"一位做空者，而是让它去做做空者为了研究自己的持仓立场所实际做的事。
我上面描述野心的所有方式，都要求模型拥有一台可以安装软件的电脑，以及访问各种相关数据的权限，通过 MCP 连接器或其他方式均可。有很多工具可以做到这一点，我推荐你使用其中之一。
这一切似曾相识
我们人类一向被自己认为可能的事情所束缚。更糟的是，我们通常只在自己的专业领域里信任自己。众所周知，米开朗基罗并不想画西斯廷教堂的天顶画。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个专门的术语：自我效能感。简言之，自我效能感高的人更相信自己的能力，也因此真的能取得更多成就。有证据表明，自我效能感是可以被"破解"的。Locke 和 Latham 翻阅了 35 年的目标设定研究，自信地断言，被赋予具体的、有难度的目标的人，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"快"清单，记录了人类在被赋予大胆目标和紧迫期限时所完成的种种壮举。下面是一些有充分文献记载的技巧：
1.相信一件事是可能的，就能完成难事。1939 年，George Dantzig 上课迟到，看到黑板上有两道数学题，便抄下来交了作业，以为那是家庭作业。那其实是统计学中两个尚未解决的问题。
2.看到别人做到了，就能完成难事。几十年来，人类一直在追逐"四分钟跑完一英里"。Roger Bannister 于 1954 年 5 月打破了这一纪录，但仅仅 46 天之后，他就不再是唯一做到的人。如果你关注跑步，我们正在马拉松"破二"上见证同样的事情。今年 4 月，Sabastian Sawe 在伦敦跑出了人类首个官方认可的两小时以内马拉松，同一场比赛中，亚军同样跑进了两小时。
3.允许自己失败，就能完成难事。看来每个人最喜欢的商业书都是《网球的内在比赛》，我上周才发现这本书。它的核心论点是，如果你竭尽全力、咬紧牙关，反而打不出最好的网球。我们工程师可能会想起 Linux，它当年的发布语是"只是个爱好，不会像 gnu 那样又大又专业"。
自我效能感并不是什么新问题，但在今天它变得前所未有地强大。在一个能力每隔几周就实现一次飞跃的世界里，我们需要一些技巧，让我们能够去做那些自己从未认真考虑、或认为不可能做到的事。
本文来自微信公众号“大数据文摘”，36氪经授权发布。