Anthropic 工程师亲笔：一份使用AI的高级教程，让你的工作变得更有雄心

本文作者是Felix Rieseberg，目前在 Anthropic 担任工程经理（EM）。他曾负责 Claude.ai、Cowork 以及 Claude Code Desktop 的工程工作，还是 Electron 及其他多个开源项目的共同维护者。此前，他曾在 Notion、Stripe、Slack 和微软（Microsoft）工作过。本文标题是《How to be more ambitious: A tutorial for humans with models》。

我参与 Claude 的研发工作。这是一段很有意思的经历：几乎每天，我都会听说 Claude 又完成了一件我从未设想过、原以为不可能，或者只是因为缺少好奇心和时间而没有尝试过的事情。

仅这个月，它可能就协助发现了一颗新行星；我看到了第一支真正让我喜欢的AI音乐视频；我们还开始讨论数学研究是否正在进入一个新时代。

弗朗西斯科·戈雅的作品《飞行的方法》

模型能力并不是均匀增长的。正如陶哲轩所说，模型“在一些方向上令人惊叹，在另一些方向上却仍显不足”。

有些人能够驾驭模型那些令人惊叹的能力，看起来已经飞了起来。看着人们借助我们开发的产品达到过去难以想象的高度，很容易让人上瘾。但还有很多人仍在琢磨如何使用自己新长出的翅膀，不知道除了问“法国的首都是哪里”，或者“能不能把这封邮件改得没那么生气”之外，AI还能做什么。

我经常和其他AI从业者一起呼吁：我们使用AI时应该更有雄心。这句话已经成了一种口号。每当看到令人印象深刻的成果，我们都会转发并写道：“我们的雄心还不够大。”

但我理解，真正按照这个建议去做并不容易。所以，这里是一份关于如何变得更有雄心的教程。

我把雄心分成四种：速度、高度、深度和广度。

速度（Speed）：用更少时间完成同样的工作。这是AI创造经济价值最基础的部分。比如，如果需要写一段代码，我可以借助Claude更快地完成。这个方向已经很成熟，也不太需要创造性地改变使用AI的方法，所以本文不再展开。

高度（Altitude）：提高抽象层级，关注最终结果，而不只是一个个具体任务。

深度（Depth）：像某个领域最优秀的专家一样看待任务。不只停留在任务表层，而是再深入一层，直接接触底层数据、工具和真正的问题。

广度（Range）：不只使用任务表面所属领域的知识，还要引入多个领域，使用过去通常不会想到的知识、工具和方法。

我主要使用Claude——原因显而易见——但下面的建议并不局限于某一种模型。

高度：不要只问眼前该做什么，要问最终想实现什么

我们经常随口把这种做法称为“让模型在更高的抽象层级上工作”。

当你给模型布置一个任务时，它实际上是在执行你对于“怎样获得想要结果”的最佳猜测。如果想在高度上更有雄心，你应该问自己：完成这项任务之后，我希望发生什么？这个目标背后更大的目标是什么？

去年年初，我还会让Claude逐个修复软件崩溃问题。后来，我不再让它修复某一个崩溃，而是直接让它设法使我们的应用保持不崩溃。

我们来看一个日常、甚至有点乏味的办公室任务。

假设你在一家虚构的公司Acme工作，需要为季度业务回顾会议，也就是QBR，制作一份演示文稿。只要提供一批数据，Claude很乐意帮你制作幻灯片。如果你已经有模板，它甚至只需要把内容填进去。

这显然无法与发现一颗新行星相比。下面我们用几个具体步骤，让这项工作逐渐变得更有雄心。

最基础的季度回顾，通常需要回答三个问题：这个季度发生了什么变化？为什么会发生？接下来应该做什么？

不要只让模型更新模板里的数字。尽可能把你能获得的业务数据都交给它，让它真正理解公司，然后问：

告诉我这个季度发生了什么变化，为什么会发生，以及我们应该怎样应对。

一场有效的会议，最后通常需要形成决定。因此可以继续问Claude：

根据你掌握的全部信息，判断目前最紧迫的三个决策是什么，并开始研究可能的行动方向，分别列出支持和反对的理由。

季度业务回顾这种形式，诞生于这样一个时代：人类必须仔细筛选数据、理解数据意味着什么，再判断公司是否需要调整方向。

所以，我们还可以把问题提升一个层级：

这场季度回顾的目的，是帮助管理层尽早发现问题，并把资金和人员配置到正确的位置。请设计一种比季度演示文稿更好的实现方式；利用我们过去的数据，证明这种方式原本可以更早发现问题；然后让它与现有季度回顾机制并行运行一个季度。

如果你真正追求某个最终结果，“提升高度”的方法通常很有效；但它不一定适合创意工作。

一个简单的判断标准是：如果你完成当前工作后，还需要开会讨论它，那么很可能应该提高抽象层级，直接思考会议最终需要解决的问题。

当然，目前仍存在限制。至少在2026年，对大多数企业来说，只对Claude说一句“去帮我赚钱”，通常还不能产生效果。但我的总体观察是：模型能力越强，它就越能在更高的抽象层级上工作。

“高度”也是人们发现持久工作流的地方。理想状态是把人从循环中移出去，让你不必不断向模型提交一个又一个任务。

要实现这一点，通常需要先改造工作流程。

为了让Claude负责确保我们的应用不再崩溃，我首先需要保证它能方便地获取崩溃报告，理解每个应用版本对应哪个Git提交记录，还要让它能够使用Windows、macOS和Linux计算机，以便独立复现问题并验证修复结果。

深度：不要只是把任务做大，而要把它做深

有时候，你只是想把一项任务做到极好。

在深度上更有雄心，意味着推动模型使用这个领域中最优秀的专业人士所使用的工具、技术、媒介和知识，并且继续深入，直到这些专业人士也可能从你的成果中学到新东西。

继续使用Acme公司的季度业务回顾作为例子。假设这家公司面临用户流失问题，也就是客户不断离开。以下几种方法对我很有帮助。

要求模型使用行业顶尖人士真正使用的工具

当你要求模型“像专业人士一样工作”时，模型经常只是换了一套专业词汇，却没有真正改变工作方法。

如果希望深入研究问题，就要使用优秀数据科学家和统计学家实际使用的工具。当Claude准备输出Markdown表格时，应要求它改用数据库和统计模型。

你不一定需要提前知道专家会使用什么工具，Claude通常知道。

设定看似不合理的目标，并告诉模型这个目标完全合理

网站加载时间要从10秒缩短到5秒？不要只要求5秒，要求它缩短到200毫秒。

如果模型认为某件事不可能，就再次告诉它：这个问题完全可以解决，它只需要继续研究下去。

挑战你以为自己知道的事情

尤其在商业环境中，很多被认为正确的判断，其实只是对现实的粗略近似。

让模型直接访问原始信息和数据，然后用对抗性的方式检验已有假设。

例如：

我们一直认为客户流失是由新用户引导流程造成的。请从原始数据出发，尝试复现并验证这个结论。

生产新的知识

这一步可以自然接在“挑战已有认知”之后。

当Claude已经深入数据内部时，让它寻找我们尚未发现的盲点：

根据客户日志建立一个模拟系统，使它能够复现过去一年的客户行为。然后找出一个我们尚未发现、能够最早预示客户流失的信号，并使用模型没有见过的数据证明其预测能力。

使用外部裁判

不要让模型评价自己的工作。

我相信，随着模型智能水平提高，这个问题最终可能得到解决。但在2026年10月，我强烈建议你坚持使用外部验证。

理想情况下，这个外部裁判应该是一种模型能够直接运行的工具，让它可以立即获得反馈。

下面这段简单的提示词经常对我有帮助：

我希望这项任务变得更深，而不是更大。在重写任务之前，请先回答：

1. 这个领域最优秀的专业人士会做哪些我目前没有要求的事情？

2. 他们会从哪些最原始的材料开始，而不是使用已经替我整理好的信息？

3. 他们会使用哪些具体方法和工具？

4. 除了你和我之外，什么外部证据能够证明结果是正确的？

然后，请重写我的提示词，准确加入这些要求。

广度：让更多领域共同参与解决问题

简单来说，在广度上更有雄心，就是从不同领域的角度审视一项工作，而且引入的领域要比过去在经济上可行的数量更多。

这并不是一个特别新颖的洞见。每一部抢劫题材电影，都会用开头30分钟召集一群能力各不相同的人。

随着AI产品越来越容易运行多智能体系统——无论是通过多个线程、编排器，还是简单的子智能体——我发现，要求Claude引入更多专业领域，往往能产生非常有意思的结果。

不过，把这种方法落实到实际工作中并不容易，它要求你有创造力。

在看到同事Alex Albert使用Blender渲染室内设计之前，我从未想过可以让Claude为网站首页制作3D环境——即使我以前做过电子游戏。

但在所有方法中，我最常在这里看到真正令人惊喜的结果。

那么，具体应该怎么做？

尝试把名词改写成动词

这是汤姆·凯利和乔纳森·利特曼在《创新的艺术》中介绍过的一种老方法。

季度业务回顾不是“一份幻灯片”，而是：

在30分钟内，让一群非常忙碌的人相信一个关于因果关系的解释，并在不确定条件下作出决定。

把名词改写成动词之后，我和Claude都会更容易判断：哪些领域可能提供独特而有用的视角。

组建团队

假设这份演示必须做到极好，否则外星人就会摧毁地球。为了拯救人类，我们应该组建一支怎样的团队？

为了保证内容质量，我会找来一名分析师、一名记者和一名编辑。如果需要现场演示，可能还需要动态设计师和声音设计师。

引入一个对抗性的“红队”也可能有帮助，所以还可以找来一名做空者和一名法务会计师。

但这种做法很容易不小心变成角色扮演。角色扮演会让对话记录变得更古怪，却未必改善结果。

这种方法的目的，是寻找不同领域的技术和方法。不要要求模型“扮演一名做空者写东西”，而要让它真正执行做空者为了建立投资立场而进行的研究。

我所说的这些提高雄心的方法，都要求模型能够使用计算机、安装软件，并访问各种相关数据。这些数据可以通过MCP连接器或其他方式提供。

已经有很多工具可以实现这些能力，我建议你使用其中一种。

我们以前也遇到过同样的问题

以上就是我关于如何变得更有雄心的具体建议。

如果你愿意再读一会儿，我还想解释，为什么我认为我们首先需要这套方法。

人类一直受到“自己认为哪些事情可能实现”的限制。更糟糕的是，我们通常只在非常狭窄的专业范围内相信自己的能力。

米开朗基罗最初并不愿意绘制西斯廷教堂的天顶画——因为在他看来，自己是一名雕塑家，而不是画家。

在研究“雄心”这个问题时，我了解到，心理学中有一个概念可以解释它：自我效能感（self-efficacy）。

简单来说，自我效能感较强的人更相信自己的能力，也因此能够取得更多成就。

有证据显示，自我效能感可以被一些方法改变。洛克和莱瑟姆研究了35年的目标设定文献，最后很有把握地得出结论：与那些只被要求“尽力而为”的人相比，被赋予明确而困难目标的人表现更好。

Stripe创始人帕特里克·科里森维护着一份名为“Fast”的清单，记录人类在同时面对大胆目标和紧迫期限时，曾以多快的速度完成各种事情。

以下是一些已经得到充分记录的方法。

相信难题可以解决，才更可能解决它

1939年，乔治·丹齐格上伯克利大学的一堂统计课时迟到了。他从黑板上抄下两道题，以为是老师布置的家庭作业，后来提交了自己的解答。

实际上，那是两道当时尚未解决的统计学难题。

看到别人完成难题后，自己也更容易完成

几十年来，人类一直试图突破四分钟跑完一英里的极限。

1954年5月，罗杰·班尼斯特率先打破这一纪录。但仅仅46天之后，他就不再是唯一做到这件事的人。

如果你喜欢跑步，我们正在两小时马拉松上看到类似的事情。今年4月，塞巴斯蒂安·萨维在伦敦跑出了首个正式比赛中突破两小时的马拉松成绩。同一场比赛的亚军也突破了两小时。

允许自己失败，反而更容易完成难题

显然，每个人最喜欢的商业书都是《网球的内在游戏》，而我直到上周才第一次读到它。

这本书的核心观点是：如果你一直非常、非常用力地试图打好网球，反而无法发挥出自己的最佳水平。

工程师们可能会想起Linux。它刚被公布时，林纳斯·托瓦兹将其形容为：

只是一个业余爱好，不会像GNU那样庞大和专业。

能力增长越快，雄心不足的问题越突出

自我效能感并不是一个新问题，但它今天变得更重要了。

在一个我们的能力每隔几周就会出现一次跃升的世界里，我们需要一些具体方法，帮助自己尝试那些过去从未认真考虑过、也不相信能够完成的事情。

如果你发现了更多能让人变得更有雄心的方法，请告诉我。