如何更有野心

我在 Claude 团队工作。

这是一段非常有意思的经历。几乎每天，我都会得知又有人借助 Claude，或者直接由 Claude，完成了一件让我惊讶的事情。

有些事我以前根本没想过，有些事我曾认为不可能，还有一些事，纯粹是因为我缺乏足够的好奇心，或者没有时间去尝试。

就在这个月，Claude 可能帮助人类发现了一颗新的行星；我看到了第一支真正让我喜欢的 AI 音乐视频；我们甚至开始讨论，数学是否正在迎来一个新时代。

模型的能力并不是均匀发展的。

正如数学家陶哲轩所说，模型的表现是：
在某些方向上令人惊叹，而在另一些方向上仍显得力不从心。

有些人已经学会驾驭模型那些令人惊叹的能力，仿佛真的插上翅膀飞了起来。

看着人们使用我参与开发的产品，不断抵达令人难以置信的高度，是一件让人着迷的事情。

但还有很多人，仍然在努力摸索这对新翅膀究竟该怎么使用。

他们不知道，除了问一句“法国的首都是哪里”，或者“能不能帮我把这封邮件改得不那么生气”，AI 还能做些什么。

我经常和其他 AI 从业者一起呼吁：

我们在使用 AI 时，应该更有野心。

这句话已经渐渐变成了我们共同的口号。

每当看到有人用 AI 完成令人惊叹的事情，我们就会转发，然后感叹一句：

“我们的野心还不够大。”

但我也明白，真正把这句话付诸实践，并没有那么容易。

所以，我想写一份教程，具体谈谈怎样才能更有野心。

在我看来，野心可以分为四个维度：

• 速度（Speed）
• 高度（Altitude）
• 深度（Depth）
• 广度（Range）

速度： 用更少的时间完成同样的工作。

这是 AI 经济价值最基本的来源。比如，如果你需要写一段代码，我可以借助 Claude 更快地完成。

这种用法已经被广泛接受，也不太需要在使用 AI 的思路上发挥创造力，因此这里就不展开了。

高度： 提高思考的抽象层次，关注最终想要实现的结果，而非某一个具体任务。

深度： 像某个领域最顶尖的专家一样对待任务。不要只停留在任务的表层，而要再深入一层，接触底层的数据、工具和真正的问题。

广度： 不局限于任务表面所涉及的那个专业领域，而是从多个领域汲取知识、工具和方法，甚至使用那些你平常根本不会想到的方法。

当然，我主要使用 Claude（这还用说吗），但下面这些建议并不局限于某一个特定的模型。

一、高度（Altitude）

我们经常随口说，要“让模型在更高的抽象层次上工作”。

但这究竟意味着什么？

当你向模型布置一个任务时，实际上，你是在让它执行你自己对于“怎样才能获得理想结果”的最佳猜测。

如果想在高度上更有野心，你需要问自己：

接下来，我真正希望发生什么？

这个目标背后，还有没有一个更高层次的目标？

去年年初，我还在让 Claude 帮我逐个修复应用程序的崩溃问题。

后来，我干脆直接要求它：

让我们的应用程序始终保持不崩溃。

我们来看一个日常的办公室场景，甚至可以说是有点乏味的工作。

假设你在一家虚构的 Acme 公司工作，需要准备一份季度业务回顾（QBR）的演示文稿。

只要提供一些数据，Claude 就会很乐意帮你制作幻灯片。

如果你已经有一套模板，它甚至只需要把数据填进去。

当然，这件事和发现一颗新行星相比，实在算不上什么壮举。

那么，我们怎样才能在这类工作上变得更有野心呢？

让我们从最基本的方式开始，一步步提高要求。

第一步：从填写数据，转向理解业务

大多数季度回顾，真正想回答的无非是三个问题：

• 这个季度发生了什么变化？
• 为什么发生这些变化？
• 接下来应该怎么办？

所以，不要急着让 AI 更新模板中的数字。

尽可能向模型提供更多数据，让它真正理解你的业务。

然后问它：
告诉我，这个季度发生了哪些变化，为什么会发生，以及我们接下来应该采取什么行动。

第二步：从分析问题，转向支持决策

一场真正有价值的会议，理想情况下应该以某些决策作为成果。

你可以进一步要求 Claude：
根据你了解到的全部信息，找出目前最迫切需要作出的三个决策，并开始研究可能的行动方向，分别列出支持和反对的理由。

第三步：重新思考季度回顾本身

季度业务回顾这种形式，诞生于一个人们必须花费大量时间整理数据、理解数据含义，再判断业务是否需要调整的时代。

但我们现在真的还需要沿用这种方式吗？

你可以这样要求 Claude：
季度业务回顾存在的目的，是帮助管理层及早发现问题，并把资金和人力配置到正确的地方。

请设计一种比季度汇报幻灯片更有效的方法来实现这个目标。

利用我们过去的业务数据，证明这种新方法原本可以更早发现问题。

然后，让它与现有的季度回顾机制并行运行一个季度。

这就是我所说的，在“高度”上变得更有野心。

这种方法最适合那些具有明确最终目标的工作。

如果是纯粹的创作性工作，它未必同样有效。

有一个简单的判断方法：

如果你正在做的事情，最终需要开会讨论，那么提高目标的抽象层次通常值得尝试。

当然，目前的模型仍然存在局限。

至少在 2026 年，对绝大多数企业来说，直接告诉 Claude“去帮我赚钱吧”，还无法真正奏效。

但从整体趋势来看，我观察到，模型的能力越强，就越能够在更高的抽象层次上工作。

而且，提高目标层次还有一个重要价值：

你可能由此找到一种能够长期、持续运行的工作流程。

在这样的流程中，人类不必始终参与每一个操作环节，也无须不断给模型安排一个又一个具体任务。

不过，要真正实现这一点，往往意味着你必须改变原有的工作方式。

比如，为了让 Claude 能够确保我们的应用程序不再崩溃，我首先需要保证它能够：

• 方便地获取程序崩溃报告；
• 理解每个应用版本对应的是哪一次 Git 代码提交；
• 访问 Windows、macOS 和 Linux 计算机；
• 在这些环境中独立复现问题；
• 自行验证修复是否真正有效。

只有建立了这些条件，那个更高层次的目标才有可能实现。

二、深度（Depth）

有时候，你只是希望一项任务能够被完成得非常出色。

在这种情况下，“深度上的野心”意味着：

推动模型采用某个领域最优秀的专业人士所使用的工具、技术、媒介和知识。

而且，不断深入，直到你的工作成果甚至可能让那些顶尖专家也学到一些新的东西。

我们继续使用刚才 Acme 公司的季度业务回顾作为例子。

假设这家公司正在遭遇用户流失问题。

根据我的经验，下面这些方法结合起来使用，往往非常有效。

1. 坚持使用行业顶尖专家真正使用的工具

当你要求 AI“像专业人士一样工作”时，模型经常只是改变了它使用的词汇，却没有真正改变工作方法。

如果我们希望深入研究用户流失，就需要采用最优秀的数据科学家和统计学家所使用的工具。

当 Claude 准备给你输出一张 Markdown 表格时，你可以要求它使用数据库和统计模型来完成分析。

你甚至不一定需要事先知道这个领域的专家究竟使用什么工具。

通常，Claude 自己知道。

2. 提出看似不合理的目标，并告诉模型它完全合理

假设你的网站加载时间是 10 秒。

你希望把它缩短到 5 秒？

那就直接要求达到 200 毫秒。

如果模型认为某件事不可能完成，就再次告诉它：

这件事完全可以解决，只需要继续尝试。

3. 挑战自己已经相信的事情

尤其是在商业领域，我们所认为的很多“事实”，其实只是对现实的一种粗略近似。

因此，把原始信息和数据交给模型，让它站在反对者的角度，对你的假设进行检验。

例如：
我们一直认为，用户流失主要是新用户引导流程存在问题。

请从原始数据出发，尝试验证这一判断是否能够成立。

4. 创造新的知识

这其实是上一种方法的自然延伸。

当 Claude 已经深入研究了底层数据，你可以进一步要求它寻找我们尚未发现的盲点。

例如：
根据过去一年的用户行为日志，构建一个能够重现用户行为变化的模拟模型。

然后，找出一个我们尚未注意到的、能够最早预示用户流失的信号。

最后，用模型从未见过的数据证明这个信号确实具有预测能力。

5. 引入外部裁判

不要让模型自己评价自己的工作。

我相信，随着模型智能水平的不断提高，这个问题最终可能得到解决。

但至少在 2026 年 10 月，我强烈建议大家坚持使用外部验证。

理想情况下，这种验证应当由模型可以直接运行的工具完成，使它能够立即获得真实反馈。

一个我经常使用的提示词

下面这个简单的提示词，经常能够帮到我：

三、广度（Range）

简单来说，在广度上更有野心，意味着我们尝试从不同专业领域的视角看待同一项工作。

而且，涉及的领域可以比过去多得多。

因为在过去，这样做的成本可能高到不值得尝试。

这个想法其实并不新鲜。

你看任何一部经典的盗窃题材电影，前 30 分钟通常都在做同一件事：

召集一群拥有不同技能、各有所长的成员，组成一支团队。

如今，随着 AI 产品让多智能体系统变得越来越容易使用——无论是通过多个并行任务、编排系统，还是简单的子智能体——我发现，让 Claude 引入更多专业领域，往往能创造非常有意思的结果。

当然，真正实践起来并不容易。

这需要一定的创造力。

举个例子：

直到我看到同事 Alex Albert 使用 Blender 渲染室内设计效果图之前，我从来没有想过，可以让 Claude 帮我制作个人网站上的三维环境。

要知道，我以前甚至做过电子游戏！

但我仍然没有想到这种用法。

在所有这些方法中，跨领域探索可能是最容易产生神奇效果的地方。

那么，具体该怎么做？

我通常采用下面两种方法。

1. 试着把名词变成动词

这是 Tom Kelley 和 Jonathan Littman 在《创新的艺术》（The Art of Innovation）中提出的一个经典技巧。

比如，季度业务回顾究竟是什么？

它并不只是一份“演示文稿”。

如果我们把它描述成一个需要完成的行动，它就变成了：
在 30 分钟内，让一群忙碌的人理解并相信一套关于因果关系的解释，然后在充满不确定性的情况下作出决策。

当我们用动词和行动来描述任务时，我和 Claude 都更容易理解：

究竟还有哪些其他领域的专业知识，可以为这项工作带来独特而有价值的帮助？

2. 组建你的专家团队

想象一个夸张的场景：

你必须制作一份精彩绝伦的演示文稿。

如果做得不够好，外星人就会毁灭地球。

那么，为了拯救人类，你会召集一支什么样的团队？

如果要保证内容质量，我会邀请：

• 一位数据分析师；
• 一位记者；
• 一位编辑。

如果还需要现场演示，那么可能还需要：

• 一位动态视觉设计师；
• 一位声音设计师。

另外，引入一支负责质疑和挑战方案的“红队”或许也很有价值。

因此，我们还可以邀请：

• 一位做空者；
• 一位法证会计师。

不过，这里有一个很容易犯的错误：

你可能不知不觉地把这件事变成了角色扮演。

这样只会让你和 AI 的对话记录变得越来越古怪，却未必真正改善工作成果。

采用这种方法的目的，是寻找不同领域真正有效的研究方式、知识和工具。

不要要求模型：

“请像一位做空者那样写作。”

而应该要求：

“请采用做空者研究投资标的时使用的方法，对这个问题展开调查。”

我前面提到的所有“更有野心”的方法，都有一个共同的前提：

模型需要能够使用一台计算机，并且有能力安装软件、获取各种相关数据。

这些数据可以通过 MCP 连接器，也可以通过其他方式提供。

现在已经有不少工具能够实现这些能力。

我建议你使用其中一种。

四、我们以前也经历过类似的事情

以上，就是我关于如何变得更有野心的具体建议。

如果你愿意再花一点时间，我还想聊聊：

为什么我认为，我们有必要认真讨论这个问题？

人类一直受到自己对于“什么事情是可能的”的判断所限制。

更糟糕的是，我们通常只相信自己在非常狭窄的专业领域内具备能力。

举个著名的例子。

米开朗基罗最初其实并不愿意绘制西斯廷教堂的天顶壁画。

为什么？

因为他认为自己是一名雕塑家，而不是画家。

在研究“野心”这个问题的过程中，我了解到，心理学其实早就有一个概念来描述这种现象：

自我效能感（Self-efficacy）。

简单来说，自我效能感较高的人，更相信自己有能力完成某件事情。

而这种信念又会帮助他们实际完成更多的事情。

研究证据表明，我们可以通过某些方法来提升自我效能感。

心理学家 Locke 和 Latham 研究了长达 35 年的目标设定相关成果，最终得出了一个相当明确的结论：

被赋予具体而有挑战性目标的人，往往比那些只是被要求“尽力而为”的人表现得更好。

Stripe 的创始人 Patrick Collison 还维护着一份名为“Fast”的清单。

他在其中记录了许多人类取得的成就。

这些成就往往发生在一个共同的条件下：

人们同时拥有大胆的目标，以及非常紧迫的期限。

下面是几种已经有较充分记录的方法。

1. 相信一件困难的事情是可能的，然后完成它

1939 年，乔治·丹齐格（George Dantzig）在加州大学伯克利分校上统计学课时迟到了。

他走进教室，看到黑板上写着两道题。

于是，他把题目抄下来，以为那是老师布置的家庭作业。

后来，他把解答交了上去。

但实际上，那两道题是当时统计学领域尚未解决的难题。

2. 看到别人做成了某件事，然后自己也完成它

几十年来，人类一直试图突破一英里跑进四分钟的极限。

1954 年 5 月，罗杰·班尼斯特（Roger Bannister）终于打破了这个纪录。

但他作为唯一一位突破四分钟大关的运动员，仅仅保持了 46 天。

如果你关注跑步运动，就会发现，我们正在马拉松的两小时大关上见证类似的事情。

今年四月，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。

而在同一场比赛中，亚军也突破了两小时大关。

3. 允许自己失败，反而更有可能完成困难的事情

有一本书似乎深受商界人士喜爱：

《网球的内在游戏》（The Inner Game of Tennis）。

我直到上周才第一次读到它。

这本书的核心观点是：

当你过分努力、拼命想打好一场网球比赛时，你反而可能无法发挥出自己的最佳水平。

工程师们或许还记得 Linux 最初发布时的那段介绍。

当时，它被描述为：
只是一个业余爱好，不会像 GNU 那样庞大和专业。

但后来的发展，大家都知道了。

自我效能感并不是一个新问题。

但在今天，它变得比过去更加重要。

因为我们正生活在这样一个世界里：

我们的能力几乎每隔几个星期，就可能实现一次巨大的跃升。

因此，我们需要找到一些方法，让自己有能力去尝试那些过去从未认真考虑过，甚至根本不相信能够实现的事情。

如果你发现了其他能够帮助人们变得更有野心的方法，请告诉我！