我参与 Claude 的开发。这是一种有趣的体验：每天我都会听说，又有人用 Claude、或让 Claude 完成了一件了不起的事——有些我从没想过，有些我以为不可能，还有些只是我缺少好奇心和时间去尝试。这个月，它可能帮助人们发现了一颗新行星；我看到了第一支自己真正喜欢的 AI 音乐视频；我们还在讨论数学的新时代。
模型的各项能力并不是齐头并进的。用陶哲轩的话说，它们“在某些方向上令人惊叹，在另一些方向上却还不够用”。有些人驾驭住了那些惊人的能力，仿佛已经飞了起来。看着人们借助我参与打造的产品抵达不可思议的高度，实在让人上瘾。另一些人仍在努力让自己的新翅膀发挥作用，除了问“法国的首都是哪里”或者“能把这封邮件改得没那么生气吗”，还不知道它能做些什么。
我和其他从事 AI 工作的人，经常大声疾呼：使用 AI 时，我们应该更有雄心。这已经成了一句口号。每次看到令人惊艳的成果，我们就会转发，再配上一句“我们的雄心还不够”。我理解，要照着这条建议去做有多难，所以这里是一份教你更有雄心的教程。
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 经济价值的基本盘。如果你需要写些代码，我用 Claude 就能更快完成。这方面的用法已经很成熟，也不太需要在使用 AI 的方式上发挥创意，所以我就略过了。
- 高度： 提高抽象层次，关注最终结果，而不是单个任务。
- 深度： 像领域内顶尖专家一样思考任务。不停留在任务表面，而是再深入一层，接触底层的数据、工具和问题。
- 广度： 不局限于任务表面上所属的那个领域，而是借助多个领域，运用你通常不会使用的知识、工具和技巧。
我主要用 Claude（这还用说），但这些建议并不针对特定模型。
高度
我们常常随口把这叫作“让模型在更高的抽象层次上工作”。当你给模型一个任务时，它执行的，其实是你对如何达成目标所作的最佳猜测。要在高度上更有雄心，不妨问自己：你希望接下来发生什么？ 目标背后的目标是什么？去年年初，我还在让 Claude 帮我修复一个个具体的崩溃。后来，我直接要求 Claude 让我们的应用保持不崩溃。
来看一个日常的办公室任务（甚至可以说有点无聊）。你在虚构的 Acme 公司工作，需要为季度业务回顾（QBR）准备一套幻灯片。给 Claude 一堆数据，它很乐意帮你做。也许你连模板都有了，它只需要把内容填进去。这跟发现一颗新行星实在没法比。那么，我们来看看，可以采取哪些具体步骤，让做法更有雄心。我们从基础做起，每一步再往前多走一点：
- 大多数业务回顾都想弄清楚：这个季度发生了什么变化，为什么，以及应该怎么办。别急着只更新模板里的那些数字。把你能拿到的数据尽可能多地交给模型，让它理解你的业务：“告诉我，这个季度发生了什么变化，为什么，以及我们应该怎么办。”
- 会议——至少好的会议——理想情况下应该以作出一些决策告终。问 Claude：“根据你了解到的全部情况，找出最紧迫的三个决策，并着手研究可能的方向，列出各自的赞成与反对理由。”
- 季度业务回顾这种做法，诞生于优秀的业务评估还需要人类仔细梳理数据、理解数据含义、判断业务是否需要调整的年代。问 Claude：“业务回顾的目的，是让管理层及早发现问题，把资金和人员调配到合适的地方。设计一种比每季度做一套幻灯片更好的方式，用我们自己的历史数据证明它本可以更早发现问题，再让它与现有机制并行运行一个季度。”
如果你确实是在追求某个最终结果，提高高度的做法最有效；它对创作类工作的效果则没那么好。一个很明显的判断信号是：如果你还要开会讨论正在做的这件事，那么在高度上更有雄心，多半值得一试。目前当然还有局限（到了 2026 年，光说一句“Claude，去赚钱”，对大多数企业似乎仍然不管用），但总的来说，我看到的趋势是：模型越强，就越能在更高的抽象层次上工作。
人们也是在这个维度上，找到了能长期运转、无需人类反复介入的工作流程，不再需要不断给模型安排一个又一个任务。要做好这件事，往往得先改变自己的工作流程。比如，为了让 Claude 确保我们的应用不崩溃，我首先得让它能够方便地获取崩溃报告，理解应用版本与 Git 提交的对应关系，还要让它能访问 Windows、macOS 和 Linux 计算机，这样它才能真正独立复现问题、验证修复。
深度
有时候，你就是想让一个任务完成得特别出色。在深度上有雄心，意味着推动模型使用这个领域最优秀的专业人士所采用的工具、技巧、媒介和知识，而且不断往下挖，直到连这些专家都可能从你的成果里学到新东西。
继续以 Acme 公司的季度业务回顾幻灯片为例。暂且假设这家公司正为用户流失（也就是客户随时间推移不断离开）而苦恼。我发现，把下面几种方法结合起来很有用：
- 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那样工作时，它们往往只是换了一套用词，却没有真正改变方法。要深入处理这个问题，我们就得使用最优秀的数据科学家和统计学家所用的工具。Claude 要是又开始做 Markdown 表格，就坚持让它使用数据库和统计模型。你不一定非得知道专家用什么，Claude 通常知道。
- 设定看似不合理的目标，再告诉模型这些目标很合理： 你想让网站的加载时间从 10 秒缩短到 5 秒？那就要求 200 毫秒。模型觉得某件事不可能？再强调一次：这完全可以解决，它只需要继续努力。
- 质疑你自以为知道的事： 尤其在商业领域，我们认为正确的很多事情，其实只是对现实的粗略近似。让模型访问原始信息和数据，要求它以挑错的态度检验假设。“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： 这很容易接在质疑既有认知之后。既然 Claude 已经深入数据，就让它寻找盲点。“根据我们的日志建立一个客户模拟模型，重现过去一年的情况。然后找出一个我们还不知道的、最早出现的流失信号，并用它从未见过的数据证明其预测能力。”
- 引入外部评判者： 不要让模型自己评价自己。我想，随着模型智能不断提高，这个问题终究会得到解决；但在 2026 年 10 月，我恳请你坚持要求外部验证。最好是让模型运行某个工具，立即获得反馈。
下面这个简单的提示词经常能帮到我：
我想把这个任务做得更深入，而不是把它做得更大。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要求的事；(2) 他们会从哪些最原始的材料入手，而不是从已经替我加工整理过的信息入手；(3) 他们具体会采用哪些方法和工具；(4) 除了你或我，还有什么能证明结果正确。然后改写我的提示词，准确地要求这些内容。
广度
简单来说，在广度上有雄心，就是从不同领域的视角审视我们的工作——涉及的领域之多，是过去考虑到成本时不会尝试的。这并不是什么独到的见解：每一部盗窃题材电影，都会花前 30 分钟集结一群背景各异、各有所长的人。随着 AI 产品让运行多智能体系统越来越容易（无论是通过多线程、编排器，还是简单的子智能体），我发现，催促 Claude 引入其他领域的方法，能带来非常有意思的成果。
把它付诸实践并不容易；你需要发挥创意。在看到同事 Alex Albert 用 Blender 渲染室内设计之前，我从没想过可以用 Claude 为自己的个人主页制作 3D 环境——尽管我以前还做过电子游戏！不过，这也恰恰是我看到最多神奇成果的地方。
那么，具体该怎么做？我会用下面这些方法：
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）中提到的一个老技巧。季度业务回顾不是“一套幻灯片”，而是“在 30 分钟内，让忙碌的人相信一套关于因果关系的叙事，并在不确定性中作出决策”。有了这些动作，我和 Claude 就更容易理解，哪些领域可能带来独特而有用的视角。
集结团队： 这套幻灯片必须惊艳绝伦，否则外星人就要炸毁地球。人类会为此召集一支什么样的团队？为了保证成品质量，我会找来一位分析师、一位记者和一位编辑。如果还要现场演示，那大概还需要动态视觉设计师和音频设计师。请一支专门挑毛病的“红队”可能也有帮助，那就再找来一位做空者和一位法务会计师。
这里很容易一不小心变成角色扮演，只会让你的对话记录更加古怪，却不会改善实际成果。请用这个方法来寻找领域和技巧。不要让模型像做空者那样写作，而要让它像做空者研究自己的做空标的那样，实际去做事。
我上面描述的所有雄心，都要求模型拥有一台能够安装软件的计算机，并且可以访问各种相关数据（无论通过 MCP 连接器还是其他方式）。有很多工具能做到这一点，我建议你选一个来用。
我们以前也遇到过这种事
以上就是我对如何更有雄心的具体建议。如果你愿意再多看一会儿，我想讲讲，为什么我认为我们需要这些建议。
人类一直受限于自己对“什么是可能的”的认知。更糟糕的是，我们通常只在非常狭窄的领域里相信自己。米开朗基罗不想为西斯廷礼拜堂作画，这件事很有名——你看，他是雕塑家，不是画家。
在研究雄心这个问题时，我发现心理学给这种现象起了一个名字：自我效能感。简单说，自我效能感强的人更相信自己的能力，结果也确实能取得更多成就。有证据表明，自我效能感可以通过一些方法来调整：Locke 和 Latham 梳理了 35 年来关于目标设定的研究，得出了很有把握的结论——被赋予具体且困难目标的人，表现优于那些只是被要求“尽力而为”的人。Stripe 创始人 Patrick Collison 维护着一份 “Fast” 清单，记录了人类在目标大胆、期限紧迫时完成的种种壮举。下面这些方法都有充分的记录：
- 相信难事可以做到，从而把它做成： 1939 年，George Dantzig 去伯克利上统计课时迟到了。他抄下黑板上的两道题，以为是家庭作业，做完后就把答案交了上去。那其实是统计学里两个尚未解决的问题。
- 看到别人做到了，自己也能做到： 几十年来，人们一直在追求一英里跑进四分钟。Roger Bannister 于 1954 年 5 月打破了这个门槛，但他作为唯一做到这一点的人，只保持了短短 46 天。如果你关注跑步，就会看到类似的事情正在马拉松两小时大关上发生：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，从而完成难事： 我上周才发现，似乎人人最喜欢的商业书都是《网球的内在博弈》（The Inner Game of Tennis）。这本书的核心观点是：如果你拼命用力、特别想打好，反而打不出自己最好的网球水平。我们工程师可能会想起 Linux，当年它发布时的说法是：“只是个爱好，不会像 gnu 那样宏大而专业。”
自我效能感不是新问题，但现在，它的影响更大了。在一个我们的能力每隔几周就跃升一次的世界里，我们需要一些方法，帮助自己去做那些从未认真考虑过、或者根本不相信能做到的事。如果你找到了其他能让人更有雄心的技巧，请告诉我！
本文配图为 Francisco Goya 的《Modo de volar》（一种飞翔的方式）。