用 AI 不够有野心？Anthropic 工程师的三条实操方法
Felix Rieseberg 在 Anthropic 做 Claude。他说自己每天都会看到别人用 Claude 做成一件他没想过、不觉得可能，或者懒得去试的事。例如帮业余天文学家找到一颗疑似新行星，或者是做出他真心喜欢的 AI 音乐 MV。他的文章底下，有网友用 Claude 和免费的激光雷达数据，花几个小时、几百美元，在墨西哥湾沿岸找到一组可能从没被记录过的古代土丘。
用他的话说，有些人已经驾驭了模型最惊人的那部分能力，看起来像在飞；更多人还在研究这对新翅膀能干嘛，用它问”法国的首都是哪儿”，或者”帮我把这封邮件改得没那么冲”。
我算是用 AI 比较深的那批人，每天大部分工作都是和它一起完成的。即便这样，我也会时不时撞上”哦，原来它现在能做这个了”的时刻。最近一次是做视频：我一直默认视频得交给专门的视频生成模型，大模型顶多写写分镜。结果 Opus 5.5 发布后我试了一下，让它直接做科普动画，画面、配音、配乐，连”转场卡在音乐拍点上”都是它写代码完成的，很快帮我做出了两支完整的视频。也就是说模型能力已经在那儿了，只是我对它的印象还停在上一个版本…
所以”不够有野心”其实不分新手老手：模型每几周就往前跳一级，我们脑子里”它能做什么”的那张图，总是落后一截。Felix 这篇《How to be more ambitious》讲的，就是怎么把”更有野心”变成对话框里能打出来的下一句话。
野心的四个方向
Felix 把”有野心”拆成四种：
- 速度：同样的事做得更快。这是 AI 经济价值的基本盘，大家都会，他直接跳过，我也跳过
- 高度：往上走一层，想清楚你要的结果，而不是盯着手上这一件事
- 深度：像这个领域最顶尖的专家那样做，往下挖一层，碰到底层的数据、工具和问题
- 广度：调动多个领域的知识和方法，而不只用这件事表面上需要的那一个
原文用一家虚构公司的”季度业务汇报”贯穿全文。为了更好理解，下面我把它换成大家都熟悉的场景：年终总结。
高度：多问一句”然后呢？”
我们平时给 AI 派活，其实是在执行自己对”怎么达成目标”的最佳猜测。往高处走，就是多问自己一句：你真正想发生的是什么？目标背后的目标是什么？
Felix 举了自己的例子：去年年初，他还在让 Claude 一个个修崩溃 bug；后来他干脆让 Claude 负责”让我们的 App 不崩溃”。
放到年终总结上，可以一级一级往上走：
- 先给足材料：别只让它往模板里填数字，把全年的数据、项目记录、周报都给它：”告诉我今年什么变了，为什么变，明年该做什么。”
- 再要决定：好的会议应该以决定收尾：”根据你了解到的一切，找出明年最紧迫的三个决定，每个都给出支持和反对的理由。”
- 最后问机制：年终总结来自一个需要人工逐条翻数据的年代。它存在的意义，是让团队尽早发现问题，把人和钱放到对的地方。所以可以问：”设计一个比年终总结更好的机制来做到这件事，用我们今年的历史数据证明它能更早发现问题，然后明年和年终总结并行跑一个季度。”
什么时候适合往高处走？Felix 给了一个很好用的判断标准：如果你接下来要为这件事开会，那它大概率值得往上走一层。 它更适合有明确结果的事，不太适合创作。
还有一点容易被忽略：往上走通常需要先改造流程。为了让 Claude 真正负责”App 不崩溃”，他先得让它能自己拉取崩溃报告、知道哪个版本对应哪次代码提交，还给了它 Windows、macOS、Linux 三台电脑，让它能自己复现和验证修复。目标抬高了，给 AI 的手脚也要跟上。
我按 Felix 的思路写了一段，可以直接复制：
先别急着做我说的这件事。告诉我：（1）我做这件事，真正想要的结果是什么；（2）这个结果之后，通常接下来会发生什么；（3）有没有一个更高一层的目标，达成之后这件事以后都不用再做。然后按那个更高的目标重写这个任务，并列出你需要我提供哪些数据和权限。
深度：像顶尖专家那样做
有时候你就是想把一件事做到极致。往深处走，就是逼着模型用这个领域最顶尖的人用的工具、方法和知识，而且一直推下去，推到连那些专家都可能从结果里学到点新东西。
假设你的年终总结里有个绕不开的问题：今年客户流失变多了。Felix 列了几个他觉得有用的做法：
坚持用专家的工具。 让模型”像专业人士一样”，它往往只是换了一套词汇，方法没变。Claude 想给你画个 markdown 表格的时候，坚持让它用数据库和统计模型。你不需要知道专家用什么，Claude 通常知道。
定一个离谱的目标，并告诉模型这很合理。 网站要从 10 秒加载到 5 秒？直接要 200 毫秒。模型觉得做不到？告诉它这完全能解决，只是需要继续往下做。文章底下有读者说这一条最戳他：他常常因为”觉得合理”，先替 Claude 设了限。
挑战你以为知道的事。 商业上很多”常识”只是对现实的粗略近似。把原始数据给模型，让它反过来检验你的假设：”我们一直认为流失是新用户引导没做好的问题，试着用原始数据把这个结论复现出来。”
产出新的认知。 模型已经深入数据了，就顺手让它找盲区：”用我们的日志搭一个客户模拟，复现去年一整年。然后找出一个我们还不知道的、最早的流失信号，并证明它在没见过的数据上也能预测。”
找一个外部裁判。 不要让模型给自己打分。Felix 估计这件事随着模型变强会被解决，但在 2026 年 10 月，他恳请大家坚持外部验证，最好是一个模型自己就能运行、能立刻得到反馈的工具。
前面提到的那位找古代土丘的网友，正好把这几条都用上了：他没让 Claude 凭感觉找，而是先让它写检测器，在已知遗址（包括巨石阵周围的古坟）上验证命中率；再派几个独立的 AI 当”怀疑者”，专门想办法推翻每一个发现；最后拿一百多年来的地图和公开记录逐个核对，剩下的才交给考古机构。这和我上一篇写的 Claude Code 团队做 code review 的思路一样：不指望 AI 不出错，靠一层层外部检查把错拦住。
这一节 Felix 给了一段他自己常用的提示词，我译成了中文，可以直接复制：
我要的是这个任务更深的版本，而不是更大的版本。改写之前：（1）说出这个领域的顶级专业人士会做、但我没有要求的事；（2）说出他们会从哪种最原始的材料入手，而不是我手上已经被加工过的材料；（3）说出他们会用的具体方法和工具；（4）说出除了你和我之外，还有什么能证明结果是对的。然后改写我的提示词，让它恰好要求这些。
广度：把名词换成动词，再组一支团队
往宽处走，就是从不同领域的视角看你的工作，而且比过去”划算”的范围多看几个领域。这不算什么新道理，每部盗窃片的前 30 分钟都在组队凑齐各路高手。新的是，现在的 AI 产品让多智能体越来越容易用，你真的可以把这些人”请”进来。
Felix 承认这一条最难，因为它需要你有想象力；但他也说，这是他见到最多”魔法”的地方。他给了两个技巧：
把名词换成动词。 这是《创新的艺术》（The Art of Innovation）里的老办法。年终总结不是”一份 PPT”，而是”让一群很忙的人相信一个关于因果的故事，并在半小时里、在不确定中做出决定”。换成动词之后，你和 Claude 都更容易看出哪些领域能带来独特的视角。
组一支队伍。 假设这份年终总结做不好，外星人就要炸掉地球，人类会派一支什么样的团队？要保证质量，得有分析师、记者和编辑；要上台讲，还得有动效设计师和音频设计师；再加一个”红队”挑刺，比如一个做空者和一个法务会计？
这里有个容易踩的坑：让 AI 做那种人做的事，而不是扮演那种人。 不要让它”像做空者一样写”，而要让它”做做空者为了建立空头仓位会做的研究”。前者只会让对话变得奇怪，结果并不会更好。
我自己做视频这件事，回头看就是”广度”的一个例子。一支一分钟的解释性视频，背后其实是一整个剧组：分镜、动画、配音、选曲、把转场卡在拍点上、调响度让它在手机外放时不破音。放在以前，一个人想把这些都做到及格线，几乎不可能；现在是我加一个模型，把这些领域的做法一个个请进来。我做的最关键的一步，反而是先相信”这件事它能做”。
原文这一节也没有给提示词，同样是我按他的思路写的延伸：
先把这个任务从名词改写成动词：它到底是要让谁、在什么条件下、做成什么事？然后列出 5 个平时不会参与这件事、但能带来独特方法的领域，每个领域说清楚他们会”做”什么（具体方法和工具，不是说话的口吻）。挑出最有用的 2 个，用他们的方法把这个任务做一遍。
最后，Felix 提醒了一个前提：以上所有方法，都需要模型有一台能装软件的电脑，并且能拿到各种相关数据（比如通过 MCP 连接器）。很多工具已经能做到这一点，他建议大家都用起来。
卡住你的，往往是你以为不可能
文章最后，Felix 讲了他为什么觉得这件事有必要。
1939 年，伯克利的研究生 George Dantzig 上统计课迟到了，他把黑板上的两道题抄下来，当成家庭作业做完交了上去。后来他才知道，那是统计学里两道还没人解出来的难题。
心理学里有个词叫”自我效能感”：越相信自己能做到的人，实际做到的越多。Felix 引用的研究也说明，被给定具体而困难目标的人，表现好于只被要求”尽力而为”的人。
这件事不新鲜，但在今天更要紧。模型的能力每几周就往前跳一级，我们对”它能做什么”的判断，很容易还停在上一次试过的时候。我做视频之前就是这样，差点因为”这得靠视频模型吧”而根本没去试。
所以下次你对着对话框，觉得某件事”AI 应该做不了”的时候，不妨像 Dantzig 那样，先把它当成一道作业交上去。卡住你的，往往是你以为不可能。
原文：How to be more ambitious: A tutorial for humans with models（Felix Rieseberg，2026-10）。古代土丘的案例来自原文评论区，详见 I went looking for lost cities with Claude（Nate，2026-10-11）。