原作者：Felix Rieseberg · 原文链接：https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/

如何更有野心：Felix Rieseberg 阅读笔记

说明：本文是中文阅读笔记，用自己的话概括原文观点，不是翻译。原文链接见文末。

背景与核心论点

作者在 Anthropic 做 Claude。他每天都会看到别人用模型做出他没想到的事（这个月提到的有：可能帮助发现新行星、他真心喜欢的第一支 AI 音乐视频、关于数学新时代的讨论）。他引用陶哲轩的说法：模型的能力增长并不均匀，有些方向惊人，有些方向不足。有人已经“飞”起来了，很多人还只拿它问常识、润色邮件。

AI 圈常喊“我们还不够有野心”，但这句话很难照做。于是作者把“野心”拆成四种类型：

类型	含义
速度（Speed）	同样的活更快做完。这是 AI 经济价值的基本盘，不太需要创造力，作者跳过不展开
高度（Altitude）	往上一层：关注最终结果，而不是单个任务
深度（Depth）	往深一层：像行业顶尖专家那样处理任务，接触底层的数据、工具和问题
广度（Range）	跨领域：调用表面上用不到的其他领域的知识、工具和方法

作者说建议虽然基于 Claude，但不绑定具体模型。贯穿全文的例子是虚构公司 Acme Inc 要做季度业务回顾（QBR）汇报。

一、高度（Altitude）：往上一层

• 核心问题：你交给模型的任务，其实只是你对“怎么拿到想要的结果”的一个猜测。问自己：之后你希望发生什么？目标背后的目标是什么？
• 作者自己的例子：去年年初他还让 Claude 修一个个具体的崩溃，后来改成直接让 Claude“保证我们的 App 不崩”。
• 季度汇报的三级递进：
  1. 别只是更新模板里的数字。尽量多给数据，让模型理解业务，然后问：这季度变了什么、为什么、该怎么办。
  2. 好的会议应该有决策。让模型找出最紧迫的三个决策，并开始给出各方向的正反论证。
  3. 再往上：QBR 存在的意义是让管理层早发现问题、把钱和人投到对的地方。让模型设计一个比季度 PPT 更好的机制，用公司自己的历史数据证明它能更早发现问题，并和现有流程并行跑一个季度。
• 适用范围：真的在追求某个最终结果时最有效，创作类任务没那么适用。一个信号是：如果这件事需要开会讨论，就适合往上一层。目前也有上限（作者说 2026 年“去赚钱吧”对大多数企业还不管用），但模型越强，能承担的抽象层越高。
• 工作流要跟着改：高度是让人退出循环、形成持久工作流的地方。为了让 Claude 负责“不崩溃”，作者先要让它能方便地拉取崩溃报告、知道哪个版本对应哪个 git commit，还给了它 Windows、macOS、Linux 机器，让它能独立复现和验证修复。

二、深度（Depth）：往深一层

目标是让模型用行业最好的人所用的工具、方法、媒介和知识，并持续推进，直到连这些专家都可能从结果里学到东西。仍以 Acme Inc 为例，假设公司有用户流失（churn）问题，作者常用以下几招：

• 坚持用顶尖从业者的工具：让模型“扮演专家”时，它常常只换了词汇，没换方法。它想用 Markdown 表格时，坚持要求用数据库和统计模型。你不必知道专家用什么，模型通常知道。
• 定不合理的目标，并告诉模型这很合理：网站要从 10 秒降到 5 秒？直接要 200 毫秒。模型觉得做不到时，重申这是可解的，让它继续。
• 挑战你以为知道的事：很多商业“常识”只是粗略近似。给模型原始数据，让它对抗式地检验假设，例如：我们认为流失是新手引导的问题，试着从原始数据里复现这个结论。
• 产出新知识：模型已深入数据后，让它找盲区，例如用日志建一个能复现过去一年的客户模拟，找出我们尚未知道的最早流失信号，并证明它在没见过的数据上也能预测。
• 用外部裁判：不要让模型自己评判自己。作者认为以后模型更聪明可能会解决，但在 2026 年 10 月他强烈建议坚持外部验证，最好是模型能自己运行、立刻拿到反馈的工具。

作者的“deeper version”提示词（要点整理）：先声明“要更深的版本，而不是更大的版本”，然后在重写任务前让模型回答四件事：

1. 这个领域的顶尖从业者会做哪些我没要求的事？
2. 他们会从哪种最原始的材料起步，而不是别人已经消化好的东西？
3. 他们会用哪些具体的方法和工具？
4. 除了你（模型）和我之外，什么东西能证明结果是对的？

最后让模型按这些答案重写原提示词。

三、广度（Range）：跨领域

从多个领域的视角看同一件工作，多到过去在经济上不划算的程度。作者打比方：每部盗窃片前 30 分钟都在组一支各有绝活的队伍。多 Agent 系统（多线程、编排器、子 Agent）越来越容易跑，让模型引入更多领域，效果常常很有意思。这需要创造力。作者举例：直到看到同事 Alex Albert 用 Blender 渲染室内设计，他才想到可以用 Claude 给自己的主页做 3D 场景，尽管他以前做过游戏。他认为这是最容易出“魔法”的地方。

• 把名词换成动词：来自 Tom Kelley 和 Jonathan Littman 的《The Art of Innovation》。季度汇报不是“一份 PPT”，而是“在 30 分钟内让忙碌的人相信一个因果故事，并在不确定中做决定”。有了动词，人和模型都更容易看出哪些领域能提供独特视角。
• 组建团队：假设这份汇报做不好外星人就会炸掉地球，人类会派谁上？作者的名单：分析师、记者、编辑；要演示的话加动效和音频设计师；再加对抗性的“红队”：做空者和法务会计。关键提醒：别陷入角色扮演，那只会让对话变怪而不改善结果。这个方法是用来找领域和技术的，不是让模型“写一个做空者”，而是让它去做做空者研究仓位时做的事。

前提条件：以上几种野心都要求模型有一台能装软件的电脑，并能接触各种相关数据（MCP 连接器或其他方式）。

四、结尾：我们以前就经历过（自我效能感）

作者认为，人类一直被“自己相信什么可能”所限制，而且往往只在很窄的领域信任自己。米开朗基罗本不想画西斯廷教堂，因为他认为自己是雕塑家，不是画家。

心理学把这叫做自我效能感（self-efficacy）：越相信自己能力的人，实际做成的也越多，而且它可以被“破解”。作者提到 Locke 和 Latham 总结 35 年目标设定研究的结论：拿到具体且困难目标的人，表现好于只被要求“尽力而为”的人；还有 Patrick Collison 维护的“Fast”清单，记录人类在大胆目标加紧迫期限下的成就。三种有记录的方法：

• 相信可能，就能做成：1939 年 George Dantzig 上课迟到，把黑板上两道题当作业抄回去解了，那其实是统计学里两道未解难题。
• 看到别人做成，就能做成：Bannister 1954 年 5 月破了四分钟一英里，此后只独享了 46 天。马拉松也类似：Sabastian Sawe 今年 4 月在伦敦跑出首个官方破二，同场第二名也破了二小时。
• 允许失败，才能做成：《The Inner Game of Tennis》的核心观点是太用力反而打不出最好水平；Linux 发布时也只说是个业余爱好项目。

作者的结论：自我效能感不是新问题，但在能力每隔几周就跃升的世界里更重要，我们需要能让自己做“原本没想过或不信能做到的事”的技巧。

原文链接

• Felix Rieseberg, How to be more ambitious: A tutorial for humans with models, 2026-10-13：https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/