My Secret Rainbow

如何更有雄心：给使用 AI 模型的人类的一份教程

作者：Felix Rieseberg。本文译自其发表于 2026 年 10 月 13 日的文章。

我参与 Claude 的开发。这是一种很有意思的体验：每天，我都会听说又有人借助 Claude，或由 Claude 本身，完成了一件了不起的事——有些事我从未想过，有些我以为不可能，还有些只是因为好奇心和时间不够而没有尝试。这个月，它可能帮助人们发现了一颗新行星；我看到了第一支真正让我喜欢的 AI 音乐视频；我们还在讨论数学的新时代。

模型的能力并不是均匀增长的。正如陶哲轩所说，模型“在某些方向上令人惊叹，在另一些方向上却力有未逮”。有些人驾驭住了那些惊人的能力，仿佛已经飞了起来。看着人们使用我参与打造的产品达到不可思议的高度，实在让人着迷。另一些人却还在努力弄清楚怎样使用这双新翅膀，除了问“法国的首都是哪里”或“能不能让这封邮件听起来没那么生气”，他们不知道它还能做什么。

我经常和其他 AI 从业者一起宣称：使用 AI 时，我们应该更有雄心。这已经成了一句口号。每当看到令人惊叹的成果，我们就会转发，并写下“我们的雄心还不够大”。我知道，要真正照着这条建议去做并不容易，所以写下了这份关于如何更有雄心的教程。

我把雄心分成四个维度：速度、高度、深度和广度。

• 速度：用更少的时间完成同样的工作，这是 AI 创造经济价值的基本方式。如果你需要写代码，我可以借助 Claude 更快地完成。这种用法已经相当成熟，对使用 AI 的方式也不太需要发挥创造力，因此这里就略过了。
• 高度：提升抽象层级，关注最终结果，而不只是单个任务。
• 深度：像领域内的顶尖专家一样思考任务。不停留在任务的表层，而是再深入一层，触及底层的数据、工具与问题。
• 广度：借助多个领域，而不局限于任务表面上所需的那个领域，运用你平时不会使用的知识、工具和方法。

我主要使用 Claude（这还用说），但这些建议并不针对某一个模型。

高度：从任务走向最终目标

我们常常轻描淡写地把这称为“让模型在更高的抽象层级上工作”。当你交给模型一个任务时，它执行的，其实是你对如何得到理想结果所做的最佳猜测。要在高度上更有雄心，就问问自己：接下来，你真正希望发生什么？这个目标背后的目标又是什么？去年年初，我还在让 Claude 帮我修复一个个具体的崩溃问题。后来，我干脆让它负责让我们的应用保持不崩溃。

来看一个日常的办公室任务——甚至可以说有些平淡。假设你在一家虚构的 Acme 公司工作，需要为季度业务复盘（QBR）制作一份演示文稿。给 Claude 一堆数据，它很乐意帮你做成幻灯片。也许你甚至已经有了模板，它只需要填进去。这显然无法与发现新行星相提并论，那么我们就来看几个具体步骤，让做事的方式更有雄心。从基础开始，一步步提高目标：

• 大多数复盘都想弄清楚：这个季度发生了什么变化，为什么会变化，以及应该如何应对。忍住只更新模板里那些数字的冲动，把你能拿到的数据尽量交给模型，让它理解你的业务：“告诉我这个季度发生了什么变化、原因是什么，以及我们应该怎么做。”
• 会议——至少是有效的会议——最好能够以一些决策收尾。问 Claude：“根据你了解到的全部情况，找出最紧迫的三个决策，并开始研究可能的行动方向，列出支持和反对的理由。”
• 季度业务复盘诞生于这样一个时代：要做好复盘，人们需要仔细筛选数据，弄清楚数据意味着什么，以及业务是否需要调整。问 Claude：“复盘的目的是让管理层及早发现问题，并把资金和人员配置到正确的地方。设计一种比季度演示文稿更好的办法，用我们自己的历史数据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。”

如果你确实在追求某个最终结果，提升高度的方法最有效；对于创作活动，它就没有那么适用。如果你接下来还要开会讨论正在做的工作，这通常就是一个明显信号：值得在高度上更有雄心。当然，目前仍然存在限制。到了 2026 年，单凭一句“Claude，去赚钱”，似乎仍无法让大多数企业如愿。但总体而言，我观察到，模型越强，似乎就越能在更高的抽象层级上工作。

提升高度，也能帮助人们找到可以长期运行、无需人类反复介入的工作流程，让你不必不断给模型下达一个又一个任务。

要做好这一点，往往需要改变工作流程。例如，为了让 Claude 确保我们的应用不再崩溃，我首先必须让它能够轻松获取崩溃报告，理解每个应用版本对应哪次 Git 提交，并为它提供 Windows、macOS 和 Linux 电脑的访问权限，这样它才能真正独立复现问题并验证修复结果。

深度：采用顶尖专业人士的方法

有时，你只是希望把一个任务做得非常出色。在深度上更有雄心，意味着推动模型使用领域内最优秀的专业人士所采用的工具、技术、媒介和知识，并持续深入，直到连这些专业人士都可能从你的工作中学到新东西。

继续以 Acme 公司的季度业务复盘演示文稿为例。假设这家公司正面临用户流失问题，也就是客户随着时间推移不断离开。我发现，把下面这些方法结合起来很有帮助：

• 坚持使用行业顶尖人士所用的工具：当你要求模型像专业人士一样行动时，它往往只是换了套词汇，却没有真正改变方法。要深入研究这个问题，我们需要使用最优秀的数据科学家和统计学家所使用的工具。当 Claude 打算用 Markdown 表格应付时，要坚持让它使用数据库和统计模型。你不一定需要知道专家使用什么，Claude 通常知道。
• 设定看似不合理的目标，并告诉模型这很合理：你想把网站加载时间从 10 秒缩短到 5 秒？那就要求它做到 200 毫秒。模型觉得某件事不可能？重申这个问题完全可以解决，它只需要继续努力。
• 挑战你以为自己知道的事：尤其在商业领域，我们相信的许多事情，只是对现实的粗略近似。让模型接触原始信息和数据，并要求它以对抗性的方式检验假设。“我们认为用户流失是新用户引导出了问题。试着从原始数据中复现这个结论。”
• 创造新知识：这很容易接在挑战既有认知之后。当 Claude 已经深入数据，就让它寻找盲点。“建立一个客户模拟模型，根据日志复现过去一年的情况。然后找出我们尚未发现的、最早出现的流失信号，并证明它能在未见过的数据上作出预测。”
• 引入外部评判：不要让模型自己评判自己。我想，随着模型智能提高，这个问题最终会得到解决；但在 2026 年 10 月，我恳请你坚持使用外部验证。理想情况下，这应该是一个模型可以运行、并能立即获得反馈的工具。

下面这段简单的提示词经常能帮到我：

我想要这个任务更深入的版本，而不是规模更大的版本。在改写之前，请先说明：（1）这个领域的顶尖专业人士会做哪些我没有提出要求的事情；（2）他们会从哪些最原始的材料入手，而不是使用已经替我加工整理过的材料；（3）他们会采用哪些具体的方法和工具；（4）除了你或我之外，还有什么能够证明结果是正确的。然后改写我的提示词，准确提出这些要求。

广度：把其他领域的方法引进来

简单来说，在广度上更有雄心，就是从不同领域的视角审视我们的工作，而且涉及的领域要比过去在成本上划算的范围更广。这不是什么特别独到的见解：几乎每一部盗窃题材的电影，前 30 分钟都在集结一群背景各异、各有所长的人。随着 AI 产品让多智能体系统越来越容易运行——无论是多个线程、协调器，还是简单的子智能体——我发现，敦促 Claude 引入更多领域，能带来非常有意思的结果。

真正实践起来并不容易，它需要你发挥创造力。在看到同事 Alex Albert 用 Blender 渲染室内设计之前，我从没想过可以让 Claude 为我的个人主页制作 3D 场景，尽管我以前还做过电子游戏！不过，这确实是我看到最多神奇成果的地方。

那么，具体怎么做？我会使用以下方法：

• 试着把名词换成动词：这是 Tom Kelley 和 Jonathan Littman 在《创新的艺术》（The Art of Innovation）中提出的一个老办法。季度复盘不是“一份演示文稿”，而是“让一群忙碌的人在 30 分钟内相信一个关于因果关系的故事，并在不确定性中作出决策”。用动词表达之后，我和 Claude 就更容易理解：哪些领域可能带来独特且有用的视角。
• 集结团队：假设这份演示文稿必须惊艳全场，否则外星人就会炸毁地球。人类会召集怎样一支团队？为了保证成品质量，我会请来一位分析师、一位记者和一位编辑。如果还需要现场演示，可能还要加上动效设计师和音频设计师。引入一支负责对抗性检验的“红队”也可能有用，所以再请来一位做空者和一位法务会计师。

这个过程很容易不知不觉变成角色扮演，让对话记录越来越奇怪，却没有改善实际结果。应当用这种方法寻找相关领域和技术。不要让模型模仿做空者的口吻写作，而要让它真正执行做空者为了研究其投资立场而会做的工作。

我描述的这些拓展雄心的方法，都需要让模型拥有一台可以安装软件的电脑，并能够访问各种相关数据，无论是通过 MCP 连接器还是其他方式。已经有不少工具能做到这一点，我建议你用起来。

我们以前也曾面对这样的处境

以上就是我关于如何更有雄心的具体建议。如果你愿意再多停留一会儿，我想谈谈：为什么我认为这些建议本来就有必要。

人类一直受限于自己对“什么是可能的”的判断。更糟的是，我们通常只在非常狭窄的专业范围内相信自己。众所周知，米开朗琪罗最初并不想为西斯廷礼拜堂作画——你看，他是一位雕塑家，不是画家。

在研究雄心这个问题时，我了解到，心理学中有一个相关概念：自我效能感。简单来说，自我效能感强的人更相信自己的能力，也因此确实能取得更多成果。

有证据表明，自我效能感是可以通过一些方法加以提升的。Locke 和 Latham 仔细研究了 35 年间关于目标设定的研究，得出了明确结论：获得具体且高难度目标的人，比那些只是被告知“尽力而为”的人表现更好。Stripe 创始人 Patrick Collison 维护着一份“Fast”清单，记录人们在拥有大胆目标和紧迫期限时完成的诸多壮举。下面是一些有充分记录的方法：

• 相信困难的事可以做到，从而把它做成：1939 年，George Dantzig 在伯克利的一堂统计学课上迟到了。他抄下黑板上的两道题，以为是家庭作业，后来交上了自己的解答。实际上，那是统计学中两道尚未解决的难题。
• 看到别人做到之后，自己也完成困难的事：几十年来，人们一直试图在 4 分钟内跑完一英里。Roger Bannister 于 1954 年 5 月突破了这个门槛，但他作为唯一做到这一点的人，只保持了 46 天。如果你关注跑步，就会看到两小时马拉松正在发生类似的事情：今年 4 月，Sabastian Sawe 在伦敦跑出了首个正式比赛中低于两小时的马拉松成绩。同一场比赛的亚军也突破了两小时大关。
• 允许自己失败，从而完成困难的事：似乎人人最喜欢的商业书都是《网球的内在游戏》（The Inner Game of Tennis），而我直到上周才发现它。这本书的核心观点是：如果你过于拼命地要求自己打好网球，反而打不出最佳水平。我们工程师可能还记得，Linux 刚发布时被描述为“只是个爱好，不会像 GNU 那样庞大而专业”。

自我效能感不是一个新问题，但如今它的影响更大了。在一个我们的能力每隔几周就发生跃迁的世界里，我们需要一些方法，帮助自己完成那些以前没有认真考虑过，甚至不相信能做到的事情。如果你发现了更多能让人更有雄心的方法，请告诉我！

本文配图为弗朗西斯科·戈雅的《飞翔的方式》（Modo de volar / A Way of Flying）。

原文链接：How to be more ambitious: A tutorial for humans with models