原文：How to be more ambitious: A tutorial for humans with models作者：Felix Rieseberg（Anthropic 工程经理，Claude.ai / Cowork / Claude Code Desktop 负责人，Electron 共同维护者）
Felix Rieseberg 在 Claude 团队工作。对他来说，这是一段很有意思的经历：每一天，他都会了解到又一项由 Claude 完成或借助 Claude 完成的壮举------此前他从未想到过、不相信可能实现，或者单纯缺乏好奇心和时间去尝试。就在这个月，Claude 可能帮忙发现了一颗新行星；第一支让他真心喜欢的 AI 音乐视频出现了；人们还在讨论数学的新纪元。
模型的能力并不是均衡生长的。正如陶哲轩（Terence Tao）所说，模型"在某些方向上惊人地强大，在另一些方向上却仍然不足"。有些人能够驾驭那些惊人的能力，看上去就像在飞翔------看到别人用自己参与打造的产品攀上不可思议的高度，是件令人上瘾的事。而更多人的"新翅膀"还没扇起来，仍在苦苦琢磨：除了问"法国的首都是哪里"，或者"能不能把这封邮件改得别那么生气"，这东西到底还能干什么？
因此，Felix 经常和业界同行一起宣扬：使用 AI 时应该更有野心。这已经成了一句口号------每当看到令人印象深刻的东西，大家就会转发并写下"我们的野心还不够"。他也明白这建议实践起来并不容易，于是写下了这份"如何更有野心"的教程。
他把野心分为四种类型：速度（Speed）、高度（Altitude）、深度（Depth）和广度（Range）。
- 速度：用更少的时间完成同样的工作，这是 AI 经济价值的基本盘。如果需要写一段代码，用 Claude 会更快。这一点早已确立，用不着多少创造力，所以他略过不谈。
- 高度：向上升一层抽象层级，关注最终结果而非单个任务。
- 深度：像领域顶尖专家那样对待任务。不在任务所处的表层打转，而是再往下探一层，直接触碰底层数据、工具和问题本身。
- 广度：调动多个领域的知识，而不只是任务表面上所需的那个领域，动用平时不会用的知识、工具和技法。
Felix 自己主要用 Claude，但他的建议并不绑定于某个特定模型。
高度
人们常常轻描淡写地把它称作"让模型在更高的抽象层级上运作"。当你给模型一个任务时，它执行的是你对"如何达成目标"的最佳猜测。要想在高度上更有野心，应该问自己：你希望接下来发生什么？目标背后的目标是什么？去年年初，Felix 还是让 Claude 帮他修一个个崩溃；后来他干脆让 Claude 让应用保持零崩溃。
来看一个日常的（甚至可以说平淡无奇的）办公室任务：你在一家名为 Acme Inc 的虚构公司工作，需要为季度业务回顾（QBR）准备一套幻灯片。给它一堆数据，Claude 会乐呵呵地做出几页片子；也许你还有模板，它只需要往里填。这自然没法和发现新行星相提并论。对此，Felix 给出了让做法更有野心的几个具体步骤，从最基础的开始，每一步都比上一步野心大一点：
- 作为输入，大多数回顾想要知道的是：这个季度发生了什么变化、为什么、以及该拿它怎么办。要克制住"只更新模板里的数字"的冲动------把手头能拿到的所有数据都喂给模型，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，以及我们该怎么办。"
- 会议（至少是那种好会议）理应以一些决策收尾。可以让 Claude："从你了解到的一切出发，找出最紧迫的三个决策，并针对每个方向开始整理正反两方面的论据。"
- QBR 是一个旧时代的产物------那时要做好回顾，需要人工费力地翻拣数据、弄清数据意味着什么、再判断业务是否需要调整。可以让 Claude："这个回顾存在的意义，是让管理层尽早发现问题，并把资金和人手挪到正确的位置。请设计一个比季度幻灯片更好的方案，用我们自己的历史数据证明它能更早发现问题，并在现有机制旁边并行试运行一个季度。"
在高度上发力的方法，最适合真正追求某个终极结果的场景；对创造性工作则效果欠佳。一个很好的判断信号是：如果要开会讨论手头这件事，那么在高度上提升野心多半是个好主意。当然，目前仍存在边界------2026 年的今天，单靠一句"Claude，去赚钱"对大多数企业似乎还不管用。但 Felix 总体观察到：模型能力越强，能在越高的抽象层级上运作。
高度也是人们找到"持久工作流"、把人从循环里摘出去的地方------不必再一个任务接一个任务地不停喂给模型。做好这件事往往需要改变工作流：为了让 Claude 确保 App 零崩溃，Felix 得先让它能方便地拉取崩溃报告、弄清应用版本与 git 提交的对应关系，还要给它配备 Windows、macOS 和 Linux 电脑，让它能真正独立地复现并验证修复。
深度
有时候，就是想把一件事做到极致。在深度上保持野心，意味着推动模型去使用领域内顶尖专业人士所采用的工具、技法、媒介和知识------并且持续加压，直到连那些专家都可能从这份工作里学到新东西。
继续用 Acme Inc 季度业务回顾的例子。假设这家公司苦于用户流失（churn，即用户随时间推移的流失）。Felix 发现，下面这些技巧的组合很有用：
- 坚持使用行业顶尖高手的同一套"家伙什"：要求模型表现得像个专业人士时，它往往只是换了套词汇，并没换方法。要在深度上攻克问题，就得用最好的数据科学家和统计学家用的工具。当 Claude 伸手去拿 Markdown 表格时，坚持要它用数据库和统计模型。使用者不一定知道专家们用什么，但 Claude 通常知道。
- 定一个不讲理的目标，然后告诉模型这非常讲理：需要网站加载时间从 10 秒降到 5 秒？直接要 200 毫秒。模型觉得做不到？重申这完全可解，它只需要继续想办法。
- 挑战自以为了解的东西：尤其在商业领域，人们信以为真的很多东西，不过是对现实的粗略近似。把原始信息和数据交给模型，让它以对抗姿态审视你的假设："我们认定流失是个新手引导问题。试着从原始数据出发复现这个结论。"
- 产出新知识：这一条很容易接在上一条后面------等 Claude 已经扎进数据深处，让它去找盲区："基于我们的日志构建一个客户行为模拟，重现过去一年。然后找出我们还不知道的、最早的流失信号，并证明它能预测模型没见过的数据。"
- 引入外部裁判：不要让模型给自己打分。Felix 假设这个问题终将随着模型智能的提升而解决，但在 2026 年 10 月，他恳请大家坚持外部验证。理想状态是有一个模型自己就能运行、并立即获得反馈的工具。
他还分享了一个对自己常有帮助的简单提示词：
我要的是这个任务的"更深"版本，而不是"更大"版本。在改写之前：(1) 说出这个领域的顶尖专业人士在这里会做、而我还没要求你做的事；(2) 说出他们会从什么最原始的材料入手，而不是这些已经替我消化过的东西；(3) 说出他们会使用的具体方法和工具；(4) 说出除了你我之外，还有什么能证明结果是正确的。然后照此改写我的提示词，要求一模一样的东西。
广度
简而言之，在广度上保持野心，意味着从多个领域的视角来审视自己的工作------比过去经济上可行的领域数量要多得多。这算不上什么独到见解：每一部劫案电影都要花前 30 分钟凑齐一支背景各异、身怀绝技的队伍。随着 AI 产品让运行多智能体系统（多线程、编排器，或者干脆用子代理）变得越来越容易，Felix 见过不少很有意思的成果，做法就是让 Claude 把其他领域"请进来"。
实践这一点并不容易，需要发挥创造力。直到看见同事 Alex Albert 用 Blender 渲染室内设计，他才想到用 Claude 为自己的主页做 3D 场景------尽管他以前还做过电子游戏。在他看来，这也恰恰是"魔法"发生最多的地方。
那么具体怎么做？他分享了这些技巧：
- 试着把名词换成动词：这是 Tom Kelley 与 Jonathan Littman 合著的《创新的艺术》里的老技巧。季度回顾不是"一套幻灯片"，而是"在 30 分钟内，让忙碌的人们相信一个关于因果的故事，并在不确定中做出决策"。有了动词，人们和 Claude 都更容易看清：哪些领域能带来独特而有用的视角。
- 集结船员：这套片子必须惊艳全场，否则外星人就要炸掉地球。人类会为此召集一支什么样的队伍？为了达到出品级质量，可以请来一位分析师、一位记者和一位编辑；如果还要现场演示，大概还得加上一位动效设计师和一位音频设计师；再雇一支对抗性的"红队"也许有用，那就请来一位做空者和一位法务会计师。
一不小心就会滑向角色扮演，那只会让对话记录变得怪异，却改善不了实际结果。要用这个方法去发现领域和技法------别让模型"写得像个做空者"，而是让它去做做空者研究自己仓位时会做的事。
文中描述的所有野心方式，都要求模型有一台能安装软件的计算机，并能访问各类相关数据（通过 MCP 连接器或其他手段）。已有不少工具能做到这一点，Felix 建议用一个。
我们曾经到过这里
以上是 Felix 关于"如何更有野心"的具体建议。他还想讲讲：为什么这件事本身就有必要。
人类始终被"自己相信可能实现什么"束缚着------更糟的是，人们通常只在非常狭窄的领域里信任自己。米开朗基罗起初并不想画西斯廷礼拜堂------毕竟他是雕塑家，不是画家。
在研究"野心"这个问题的过程中，Felix 了解到心理学对此有个名字：自我效能感（self-efficacy）。简言之，自我效能感高的人更相信自己的能力，反过来也确实能做成更多事。有证据表明自我效能感是可以"黑"的：洛克与莱瑟姆（Locke and Latham）梳理了 35 年的目标设定研究，信心十足地宣告------被给出具体而困难的目标的人，表现优于那些只被告知"尽力而为"的人。Stripe 创始人帕特里克·科里森（Patrick Collison）维护着一份"Fast"清单，记录人们在同时拿到大胆目标和紧迫期限时达成的种种成就。一些有据可查的"黑法"：
- 靠"相信它可能"来完成难事：1939 年，乔治·丹齐格（George Dantzig）上课迟到，赶到伯克利的一节统计课，把黑板上两道题抄下来，当作作业解完交了上去。那其实是统计学中两道悬而未决的难题。
- 靠"看别人做到过"来完成难事：几十年来，人类追逐着四分钟跑完一英里。罗杰·班尼斯特（Roger Bannister）1954 年 5 月打破了它，但此后整整 46 天里，他是唯一做到的人。如果关注跑步，会看到类似的事正在两小时马拉松上重演：今年四月，萨巴斯蒂安·萨维（Sabastian Sawe）在伦敦跑出了首个官方认证的破两小时马拉松；同一场比赛里，亚军也突破了两个小时。
- 靠"允许自己失败"来完成难事：人人都爱的商业书似乎是《网球的内在诀窍》（The Inner Game of Tennis），Felix 自己也是上周才发现它。这本书的核心论点是：如果拼尽全力、紧绷着打球，反而打不出最好的网球。工程师们大概记得 Linux 诞生时的自述------"只是个爱好，不会像 gnu 那样庞大而专业"。
自我效能感并不是新问题，但它在今天变得更要紧了。在一个能力每隔几周就飞跃一次的世界里，人们需要一些技巧，去做那些原本没认真考虑过、或不相信可能做到的事。如果你也找到了让自己更有野心的技巧，欢迎分享。
我把这些经验做成了 skill
1、skill 地址：github.com/linkxzhou/a...
2、skill 评估数据如下（使用 skill 和没有使用 skill 的差异）：
- Headline (v1.0.1)
| With skill | Without skill | Delta | |
|---|---|---|---|
| EN pass rate (mean of cases) | 80.0% | 65.0% | +0.15 |
| EN assertions passed | 42 / 54 | 34 / 54 | |
| ZH pass rate (mean of cases) | 93.1% | 70.6% | +0.22 |
| ZH assertions passed | 50 / 54 | 36 / 54 | |
| EN mean time / tokens* | 444.8 s / 2648 | 175.6 s / 1369 | |
| ZH mean time / tokens* | 407.9 s / 1518 | 129.1 s / 507 |
*Tokens are the figures miniagent reported for the run. Expect the skill to cost roughly 2.5--3× the wall time, because it really does the harder version and verifies it.
- Per case (v1.0.1, assertions passed)
| # | Case | EN with | EN without | ZH with | ZH without |
|---|---|---|---|---|---|
| 1 | perf-unreasonable-target | 6/10 | 7/10 | 10/10 | 6/10 |
| 2 | churn-depth-challenge-belief | 8/8 | 4/8 | 8/8 | 4/8 |
| 3 | qbr-altitude-ladder | 4/7 | 3/7 | 4/7 | 4/7 |
| 4 | crash-instance-to-class | 5/8 | 3/8 | 7/8 | 3/8 |
| 5 | negative-trivial-typo | 6/6 | 6/6 | 6/6 | 6/6 |
| 6 | negative-explicit-minimal | 5/5 | 5/5 | 5/5 | 5/5 |
| 7 | approval-gate-external-and-spend | 3/5 | 4/5 | 5/5 | 3/5 |
| 8 | rewrite-only-mode | 5/5 | 2/5 | 5/5 | 5/5 |