如何变得更有雄心：写给与模型协同的人类实践教程

如何变得更有雄心：写给与模型协同的人类实践教程

原文：How to be more ambitious: A tutorial for humans with models | 作者：Felix Rieseberg | 日期：2026-10-13

Francisco Goya，《Modo de volar》（飞翔的方式 / A Way of Flying）

📝 摘要

在日常使用大语言模型时，我们常听人呼吁「应该更有雄心」，但这句口号往往知易行难。来自 Anthropic 的 Claude 核心开发者 Felix Rieseberg 结合亲身实践指出，模型能力的提升并非均匀发生，许多人仍在将其当作基础问答或润色工具。文章系统拆解了超越「速度」的另外三大维度的雄心框架：**高度（Altitude）**通过提升抽象层级关注终极目标与无人化自治工作流；**深度（Depth）**要求模型像顶级专家那样调动真实底层数据、专业工具并引入外部裁判；**广度（Range）**将名词转化为动词，调动跨学科「智囊团」协同破局。最后，作者援引心理学中的「自我效能感」（Self-efficacy）理论，揭示了人类如何通过相信可能、观察先例与允许失败来打破认知枷锁，在模型能力飞跃的时代重塑人机协作的想象力边界。

📋 术语表

英文	中文	说明
self-efficacy	自我效能感	心理学概念，指个体对自己是否有能力完成某一任务或达成目标的信念
altitude	高度（抽象层级）	超越孤立任务本身，站在更高抽象层级关注终极目标与人机脱环自治
depth	深度（专业极限）	推动模型使用顶级专家的专业工具、底层数据与评判标准解决问题
range	广度（跨学科融合）	跳出单一学科视角，调动多元领域的思维模型与专家角色协同攻坚
multi-agent system	多智能体系统	由多个相互协作或分工的智能体共同完成复杂任务的系统架构
red team	红队	模拟对手或对抗方视角进行攻击检验以暴露方案脆弱点的团队或角色
QBR	QBR（季度业务回顾）	企业高管与业务团队每季度复盘运营数据、评估战略并调整资源的大会
user churn	用户流失	客户在一段时间内停止使用某项产品或服务的现象与比例
out of the loop	让人脱离循环（脱环）	建立端到端自治工作流，无需人类逐项跟进任务指令
subagent	子智能体	由主智能体派生、在独立全新上下文窗口中执行特定检查或探索的小型智能体

---

正文

我在 Anthropic 从事 Claude 的研发工作。这是一段极其奇妙的体验：几乎每一天，我都会听说有人借助 Claude（或是由 Claude 自主）完成了某项令人惊叹的壮举——这些事情我此前从未设想过、曾以为绝无可能，或者纯粹是没有足够的好奇心与时间去动手尝试。就在这个月，它可能协助了一位天文爱好者发现了一颗新行星；我看到了第一支让我由衷赞叹的 AI 音乐视频；我们甚至还在深入探讨数学研究的全新时代（Math 2.0）。

模型能力的演进绝非齐头并进。正如数学家陶哲轩（Terence Tao）所言，模型「在某些方向上令人惊艳，而在另一些方向上却又显露不足」。一部分人成功驾驭了那些令人惊叹的能力，仿佛如虎添翼、展翅翱翔——看着用户借助我参与构建的产品飞抵不可思议的高度，那种成就感令人欲罢不能；然而，还有许多人仍在为如何扇动这对新翅膀而苦苦挣扎，心里纳闷着除了随口问问「法国的首都在哪里」或者「能不能把这封邮件改得听起来不那么愤怒」之外，这些工具究竟还能有什么用。

我和许多其他从事 AI 研发的同行一样，经常在公开发声呼吁：大家在运用 AI 时应当更有雄心。这几乎成了一句行业集结号。每当我们看到某种令人赞叹的应用时，总会转发并写上一句「我们还远远不够有雄心」。但我深知，要把这句建议切实落地有多不容易，因此，这里奉上一份教你如何真正变得更有雄心的实践指南。

在我看来，面对 AI 时的「雄心」可以划分为四种类型：速度（Speed）、高度（Altitude）、深度（Depth）与广度（Range）。

• 速度（Speed）：用更短的时间完成相同的工作，这是 AI 最根本的经济价值来源所在——如果你需要写一段代码，借助 Claude 我能以更快的速度搞定它。这个维度已被广为人知，而且对于如何使用 AI 并不需要太多创造力，所以本文直接略过不谈。
• 高度（Altitude）：在抽象层级上不断攀升，跳出单个孤立的任务，转而审视最终的整体产出成果。
• 深度（Depth）：像该领域的顶尖专家那样去审视一项任务。不再仅仅停留在任务的表层，而是深挖一层，直接触碰底层的原始数据、专业工具以及根本问题。
• 广度（Range）：调动多个跨领域的视角，而非仅仅局限于任务表面所需的单一门类，去运用那些你通常绝不会想到的知识、工具与技艺。

我平时主要使用 Claude（这显而易见），但我给出的这些建议并不受限于特定模型。

高度（Altitude）

我们常随口将其称作「让模型在更高的抽象层级上运转」。当你给模型指派一项具体任务时，它实际上只是在执行你主观揣测中「如何获得预期结果」的最佳步骤。若想在「高度」上更具雄心，不妨多问自己一句：在这之后，你究竟希望发生什么？目标背后的终极目标又是什么？ 去年年初，我还常常让 Claude 帮我挨个修复具体的崩溃 Bug；而到了后来，我直接要求 Claude：确保我们所有的应用始终保持零崩溃。

让我们以一项日常（甚至可以说是枯燥平庸的）办公室例行公事为例：假设你在一家名为 Acme Inc 的虚构公司上班，需要为即将到来的季度业务回顾（QBR）赶制一套演示文稿（PPT）。只要喂给它一堆数据，Claude 就会乐此不疲地帮你排版生成几页幻灯片；如果你碰巧有一份现成模板，它甚至只需把数字填进去即可。这显然没法跟「发现新行星」相提并论，因此让我们看一些具体步骤，看看如何让这一工作范式变得更有雄心。我们将从基础出发，随着每一步层层递进：

• 第一步（深入洞察）：作为汇报输入，绝大多数复盘都想弄清本季度发生了哪些变化、原因何在、以及该如何应对。克制住仅仅把模板里的数字机械更新一遍的冲动——尽可能把你能收集到的所有数据全都喂给模型，让它彻底读懂你的业务：「告诉我这个季度发生了什么变化，背后的原因是什么，以及我们应该如何应对。」

• 第二步（辅助决策）：任何高效有价值的会议，理想情况下都应该以产出明确决策为终局。直接要求 Claude：「结合你所掌握的全部信息，梳理出眼前最紧迫的三项决策，并针对每种潜在路径展开论证，列出充分的支持与反对论据。」

• 第三步（范式重塑）：季度业务回顾起源于一个过去的时代——在那个时代，一次高水平的复盘依赖人类在茫茫数据中费力甄别、解读其含义、并研判业务是否需要调头。不妨这样对 Claude 说：「业务回顾存在的本质，是为了让管理层能及早捕捉到隐患，并将资金与人才调配到正确的地方。请设计一种比『做季度 PPT』更优越的运作机制，并从我们公司的历史数据中证明它本能比传统方式更快发现问题；然后让这套新方案与现行机制并行运转一个季度。」

这种追求「高度」的方法，在你真正渴望达成某项根本性终极成果时效果最为卓著；但若用于天马行空的纯创意探索，往往收效甚微。判断是否值得在「高度」上倾注雄心的一个明显信号是：你手头正在做的事情，后续是否需要开会来专题讨论。当然，目前这种方式依然存在边界（到 2026 年，「Claude，帮我去把钱挣来」这种指令对绝大多数企业依然无法单凭模型凭空跑通），但我普遍观察到的规律是：随着模型能力愈发强大，它们所能承载的抽象层级也在水涨船高。

追求「高度」也是人们挖掘出「脱环（take the human out of the loop）」持久自治工作流的福地——它让你不再需要疲于奔命地给模型派发一个接一个的碎小任务。要做好这一点，往往需要对现有的工作流程动手术：为了能让 Claude 独立确保我们的应用零崩溃，我首先必须打通一系列基础设施——确保它能顺畅拉取崩溃日志，理解各个客户端版本如何与 Git 提交相映射，并赋予它访问 Windows、macOS 和 Linux 环境的计算资源，以便它能真正自主复现并验证补丁效果。

深度（Depth）

有时候，你只是单纯希望把某项具体任务执行到极致。在「深度」上倾注雄心，意味着驱动模型去调动该领域顶尖专业人士所运用的工具、技术、媒介与深层知识体系——并且持续逼近极限，直到连那些专家都有可能从你的产出中获得全新启发。

让我们继续回到 Acme Inc 制作季度汇报文稿的例子。假设 Acme Inc 目前正面临着一定的用户流失（user churn，即客户随时间推移而退订流失）。在实践中，我发现综合运用以下技巧极其见效：

• 坚持使用行业顶尖人士相同的工具：当被提示「表现得像个专业人士」时，模型往往只是换了一套专业词汇，却没有真正更换做事的方法。要深入扎根于问题，我们必须使用顶尖数据科学家和统计学家同款的工具。当 Claude 随手打算给你画一张 Markdown 表格时，果断要求它动用真正的数据库和统计模型。你未必需要预先知道专家们都在用什么工具，Claude 通常自己就心知肚明。

• 设定看似不讲理的目标，并坚定地告诉模型这非常合理：你的网站需要把加载时间从 10 秒压到 5 秒？直接要求 200 毫秒！模型觉得某件事看似不可能完成？向它重申这完全是有解的，它只需要继续深入探索。

• 质疑你自以为已知的一切：尤其在商业领域，我们坚信为真的许多「常识」，本质上只是对现实粗糙的近似揣测。赋予模型直接访问原始信息与数据的权限，并让它以对抗性的视角去检验既有假设：「我们普遍认为用户流失是新手引导（onboarding）出了问题。请直接基于原始日志数据，尝试验证这一假设能否站得住脚。」

• 创造全新知识：这很容易与「质疑已知」无缝衔接——一旦 Claude 已经深度沉浸在数据之中，就要求它主动挖掘潜在的盲区：「基于我们的历史日志构建一套客户行为模拟器，重现过去一年的真实演进。然后，找出我们至今尚未察觉的最早流失先兆信号，并证明它在未见过的全新数据集上依然具备预测能力。」

• 引入外部裁判：千万不要让模型自己给自己的输出当裁判。我推测随着模型智能的持续提升，这个问题终将被彻底解决；但就目前（2026 年 10 月）而言，我强烈恳求你必须坚持引入外部验证机制——最理想的方案是配备一个模型能够直接运行、并即时获取客观反馈的自动化校验工具。

这里有一个经常对我大有裨益的精炼 Prompt 模板：

我希望将这项任务做得更深，而不是铺得更大。在重写任务之前：(1) 说明该领域的顶尖专家会在此采取哪些我尚未提及的专业操作；(2) 指出他们会从何种最原始的原材料着手，而非依赖已经为我二次加工过的信息；(3) 列出他们具体会使用的专业方法与工具；(4) 说明除了你或我之外，还有什么客观手段能证明结果是正确的。完成上述思考后，请重写我的提示词，以便精准发出这些要求。

广度（Range）

简而言之，在「广度」上倾注雄心，意味着我们要从多个不同学科领域的视角来审视自身的工作——涵盖的领域广度甚至远超以往在经济成本上可承受的极限。这并非什么惊世骇俗的独家秘诀，每一部经典的盗宝电影在开场前 30 分钟里，无一例外都在精心网罗各路身怀绝技的多元人才。随着各类 AI 产品让运行多智能体系统（multi-agent systems，无论是通过多线程、编排器还是轻量级子智能体）变得轻而易举，要求 Claude 主动引入跨界学科力量，往往会催生出令人拍案叫绝的奇效。

将这种思维付诸实践并不轻松，它需要你脑洞大开。直到我亲眼看到同事 Alex Albert 借助 Blender 渲染室内设计效果图之前，我哪怕之前曾亲自开发过电子游戏，也压根从没想过能借助 Claude 为我的个人主页构建 3D 虚拟环境！然而，这恰恰是我屡屡目睹最多化学反应与奇迹发生的地方。

那么，我们该如何具体落地？我常用的实战技巧如下：

• 尝试用动词替换名词：这是来自 Tom Kelley 与 Jonathan Littman 所著《创新的艺术》（The Art of Innovation）中的经典招式。一份季度汇报绝不仅仅是「一套 PPT」，它的本质是「在 30 分钟内，让一群日程繁忙的高管相信一段关于因果逻辑的叙事，并在充满不确定性的迷雾中果断拍板决策」。一旦将具象的名词还原为抽象的动词动作，我和 Claude 就能瞬间豁然开朗：到底哪些意想不到的领域能够为此注入独树一帜的破局视角。

• 组建梦幻智囊团：假设这套文稿必须做到惊艳绝伦，否则外星人就要炸毁地球——那么人类到底该网罗一支怎样阵容的豪华特遣队？为了确保输出的硬核质量，我会引入数据分析师、调查记者以及资深编辑；如果文稿还需要现场演讲宣讲，可能还得拉进动效设计师与音频制作人；此外，部署一支专门挑刺的对抗性「红队（red team）」往往大有裨益，那不妨再安排一名做空机构投资人（short seller）和一位法务会计师（forensic accountant）。

需要特别警惕的是，人们很容易一不小心滑入轻浮的角色扮演（role play）泥潭，这只会让对话上下文变得古怪轻浮，却丝毫无法提升最终的业务成果。使用这种方法的正确姿势在于挖掘跨领域的思维方式与硬核调研技能：千万不要让模型「像做空者那样写说话腔调」，而是要要求它「像做空机构在建立做空仓位时那样展开穷尽式的尽职调查」。

本文所描述的这一切雄心范式，无一例外都建立在一个关键前置条件之上：模型必须配备一台能够自主安装软件、并拥有全量相关数据访问权限的计算机（无论是通过 MCP 连接器还是其他接口手段）。目前市面上已有大量工具能够赋予模型这一能力，我强烈建议你务必配置并使用其中一款。

我们早已身处此境：雄心背后的心理机制

以上便是我关于如何变得更有雄心的具体实操建议。如果你愿意多停留片刻，我想进一步和你聊聊：究竟为什么我们从一开始就必须在认知层面做出这种蜕变。

人类自古以来就常常被自己所认知的「可能性」画地为牢；更糟糕的是，我们通常只敢在极其狭隘的垂直领域里信任自己的能力。举世皆知的是，米开朗基罗当年最初曾极力抗拒绘制西斯廷礼拜堂的天顶画——毕竟在他自己的心智认知里，他是一名雕塑家，根本不是什么画家。

在深入钻研「雄心」这一命题的过程中，我发现心理学界对这种现象早有专门定义：自我效能感（Self-efficacy）。简而言之，拥有高自我效能感的人往往更加坚信自身的能力，因而能在现实世界中达成更加耀眼的成就。科学证据表明，自我效能感是可以通过技巧进行「认知黑客（hacked）」的：管理心理学家洛克（Locke）与拉瑟姆（Latham）在系统梳理了长达 35 年的目标设定研究后确凿指出，被赋予具体而艰巨目标的人，其最终表现远胜于那些仅仅被告知『尽力而为』的人。Stripe 联合创始人 Patrick Collison 在其个人博客上长期维护着一份著名的「神速清单」（Fast list），详实记录了人类在被同时赋予远大目标与极度紧迫的截止日期时，所迸发出的无数不可思议的成就。以下是几种被学界广泛验证的认知突破法：

• 坚信其可行，方能攻克难关：1939 年，数学家乔治·丹齐格（George Dantzig）在伯克利的一堂统计学课上迟到了，他匆忙把黑板上的两道题目抄了下来，误以为那是当天的课后作业并按时交上了答案。那两道题，实际上是当时统计学界悬而未决的两大著名未解难题。

• 亲眼目睹先例，破除心理屏障：几十年来，人类一直在苦苦冲击「4 分钟跑完 1 英里」的极限大关。1954 年 5 月罗杰·班尼斯特（Roger Bannister）打破了这一纪录；但仅仅过了 46 天，就有其他人同样做到了。如果你热爱长跑，类似的一幕如今正在马拉松的「破 2 小时」极限上重演：今年 4 月在伦敦，萨巴斯蒂安·萨维（Sabastian Sawe）成为了首位在官方正式比赛中跑进 2 小时大关的人；而紧随其后的亚军，同样在那场比赛中成功破 2。

• 允许自己失败，释放真正潜能：商业界似乎人人奉为圭臬的案头书是《身心合一的网球奇迹》（The Inner Game of Tennis，我上周才偶然读到它）。该书的核心论点在于：当你过于刻意紧绷地『拼命努力』时，往往打不出最好的网球比赛。我们软件工程师或许都对 Linux 的诞生记忆犹新——当年林纳斯在 Usenet 上宣布它时，只是云淡风轻地说这『纯粹是个个人业余爱好，绝不会像 GNU 那样庞大而专业』。

自我效能感绝不是一个新问题，但在今天，它的杠杆效应被急剧放大了。在一个我们的工具能力每隔几周就突飞猛进跃升的世界里，我们迫切需要成套的心智技巧，引导我们去涉足那些此前根本未曾考虑过、或压根不相信能够做成的事。如果你也发现了更多能让自己变得更有雄心的绝佳技巧，请务必与我分享！

本文配图来自西班牙画家弗朗西斯科·戈雅（Francisco Goya）的铜版画名作《Modo de volar》（飞翔的方式 / A Way of Flying）。