
我参与 Claude 的开发。这种经历很有意思:我每天都会听说,又有人用 Claude 做成了一件我没考虑过、没想到可行,或者只是没有足够的好奇心和时间去尝试的事。就在这个月,它也许协助发现了一颗新行星;我看到了第一支真正让我喜欢的 AI 音乐视频;大家还在讨论数学的新时代。
模型的各种能力并不会齐头并进。用陶哲轩的话说,模型“在一些方向上令人惊叹,在另一些方向上却能力不足”。有些人能驾驭那些惊人的能力,像是已经飞了起来——看着他们用我参与打造的产品飞到难以想象的高度,实在让人上瘾。还有许多人仍在琢磨怎么用好刚长出来的翅膀,不知道除了问“法国的首都是什么”或者“你能把这封邮件改得没那么生气吗”,它们还有什么用。
我和其他从事 AI 工作的人经常说,使用 AI 时,我们应该更有雄心。这句话已经成了我们的口号。每当看到什么厉害的成果,我们就会转发并写上一句:“我们的雄心还不够大。”我知道这条建议说起来容易、做起来难,所以接下来就讲讲怎样才能更有雄心。
我把雄心分成四种: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 经济价值最基本的来源。如果需要写一些代码,我用 Claude 会写得更快。这一套已经很成熟,也不太需要创造性地思考该怎么使用 AI,所以这里不再展开。
- 高度: 提高抽象层次,关注最终结果,而不是眼前这项具体任务。
- 深度: 像所在领域最顶尖的专家那样看待任务。我们不只停留在任务这一层,而是再往下深入一层,直接接触底层数据、工具和问题。
- 广度: 不局限于任务表面上所属的单一领域,而是综合多个领域,运用平时不会用到的知识、工具和方法。
我主要使用 Claude(这还用说),但下面这些建议并不限定模型。
高度
我们经常很随意地把它称为“让模型在更高的抽象层次上工作”。当你把一项任务交给模型时,它执行的其实是你对“怎样得到想要的结果”所作的最佳猜测。想在高度上更有雄心,不妨问问自己:你希望接下来发生什么? 这个目标背后还有什么目标?去年年初,我还在让 Claude 逐个修复崩溃问题。后来,我开始直接让 Claude 保证我们的应用不再崩溃。
来看一项每天都会遇到的办公室工作——甚至可以说相当乏味。假设你在一家虚构的 Acme 公司,需要为季度业务复盘(QBR)准备一套演示文稿。只要给 Claude 一堆数据,它很乐意替你做几页幻灯片。也许你连模板都有,它只需要往里填内容。但这和发现一颗新行星实在没法比,所以我们来看看,怎样通过几个具体步骤把目标越定越高。先从最基本的做法开始,每一步都比上一步更有雄心:
- 大多数复盘都想知道:这个季度发生了什么变化,为什么会变,接下来应该怎么办。不要只是更新模板里原有的数字。把你能找到的业务数据尽量都交给模型,让它理解你的业务:“告诉我这个季度发生了什么变化、为什么会这样,以及我们应该怎么办。”
- 一场像样的会议最好能形成一些决定。可以这样问 Claude:“结合你了解到的一切,找出最紧迫的三个决定,并开始探索可能的方向,分别列出支持和反对的理由。”
- QBR 诞生于一个这样的年代:想做好业务复盘,人们必须仔细梳理数据,弄明白数据意味着什么,再判断公司是否应该调整。可以这样问 Claude:“复盘的意义,是让管理层尽早发现问题,把资金和人力投到正确的地方。请设计一种比季度演示文稿更好的做法,用我们自己的历史数据证明它本可以更早发现问题,并让它和现有流程并行运行一个季度。”
如果你追求的确实是某个最终结果,提高高度的做法最有效;对创意工作,它就没那么好用。一个很明显的判断信号是:如果你还要专门开会讨论手头的成果,那通常值得把目标再往上提。目前当然还有边界(至少在 2026 年,只对 Claude 说一句“去赚钱”,对大多数公司来说还不会自动奏效),但总体上,模型能力越强,似乎就越能在更高的抽象层次上工作。
提高高度,也常常会让人找到可以长期运行、把人移出循环的工作流,不必再由你一项接一项地给模型布置任务。想做好这件事,往往需要改变现有工作流。为了让 Claude 负责保证我们的应用不崩溃,我首先得让它能轻松获取崩溃报告,理解每个应用版本对应哪个 Git commit,还要让它可以使用 Windows、macOS 和 Linux 电脑,这样才能独立复现问题并验证修复结果。
深度
有时候,你只是希望一项任务能做得特别好。在深度上更有雄心,就是推动模型使用该领域最优秀的专业人士会使用的工具、方法、媒介和知识,并且不断深挖,直到连这些专业人士都可能从你的成果中学到新东西。
继续用 Acme 公司的季度业务复盘演示文稿举例。假设 Acme 正面临用户流失问题,也就是客户会随着时间离开。下面几种方法搭配使用,我发现很有效:
- 坚持使用业内顶尖人士使用的工具: 当你让模型表现得像专业人士时,它往往只是换了一套术语,并没有真正换方法。想把问题做深,就得使用最优秀的数据科学家和统计学家使用的工具。Claude 如果想用 Markdown 表格,就坚持让它改用数据库和统计模型。你不一定要知道专家会用什么,Claude 通常知道。
- 设定不讲道理的目标,然后告诉模型这目标完全合理: 你想把网站加载时间从 10 秒缩短到 5 秒?那就要求 200 毫秒。模型觉得某件事不可能?再次告诉它,这件事当然能解决,它只需要继续做下去。
- 质疑你自认为知道的事: 尤其在商业领域,我们认定的许多“事实”其实只是对现实的粗略近似。把原始信息和数据交给模型,让它用对抗式方法检查这些假设。“我们认为用户流失是注册引导出了问题。请尝试从原始数据中复现这个结论。”
- 创造新知识: 这很容易接在上一条后面。Claude 既然已经深入数据,不妨让它继续寻找盲区。“根据日志建立一个客户模拟模型,让它重现过去一年发生的情况。然后找出一个我们还不知道、最早能够预示用户流失的信号,并证明它对未见过的数据也有预测能力。”
- 引入外部裁判: 不要让模型自己评判自己。我相信随着模型越来越聪明,这个问题最终会得到解决;但在 2026 年 10 月,我还是强烈建议你坚持做外部验证。最理想的情况,是给模型一个它能直接运行的工具,让它立即得到反馈。
有一段简单的提示词经常能帮到我:
I want a deeper version of this task, not a bigger one. Before rewriting it: (1) say what a top professional in this field would do here that I'm not asking for; (2) name the rawest material they would start from instead of what has already been digested for me; (3) name the specific methods and tools they would use; (4) say what, other than you or me, would show the result is right. Then rewrite my prompt to ask for exactly that.
广度
简单说,在广度上更有雄心,就是从不同领域的角度看待自己的工作,把更多过去因为成本太高而不会考虑的领域纳入进来。这并不是什么独到见解:每一部劫案电影,开头 30 分钟都在召集一群能力各异的人。现在,AI 产品让多 agent 系统越来越容易运行——无论是使用多条任务线、编排器,还是简单地使用 subagent。每当我要求 Claude 引入其他领域时,都会看到一些非常有意思的结果。
真正做起来并不容易,因为你得有创造力。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 为我的主页制作 3D 环境——尽管我以前还做过电子游戏!不过,我见过的那些最像魔法的时刻,几乎都发生在这里。
那么,具体该怎么做?我会使用下面这些方法:
-
试着把名词换成动词: 这是 Tom Kelley 和 Jonathan Littman 在 The Art of Innovation 中介绍过的老办法。季度复盘并不是“一套演示文稿”,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,并在不确定的情况下作出决定”。有了这些动词,我和 Claude 都更容易判断,哪些领域能够提供独特而有用的视角。
-
组建队伍: 这套演示文稿必须惊艳,否则外星人就会炸掉地球。人类会召集一支什么样的队伍?为了保证成品质量,我会找一位分析师、一位记者和一位编辑。如果还需要现场展示,可能也要有动效设计师和音频设计师。再找一支对抗式“红队”也许会有帮助,那就把做空者和法证会计师也叫来。
一不小心,这种做法就会变成角色扮演,只让你的对话记录看起来更奇怪,实际成果却毫无改善。应该用它来寻找合适的领域和方法。不要让模型模仿做空者的文风;要让它真正采用做空者调查并验证自身判断时会用的方法。
我所说的这些让我们更有雄心的做法,都要求模型拥有一台可以安装软件的电脑,并能访问各种相关数据(通过 MCP 连接器或其他方式)。现在有不少工具能做到这一点,我建议你选一个来用。
我们以前也经历过
以上就是关于怎样让自己更有雄心的具体建议。如果你愿意再读一会儿,我还想说说,我为什么认为我们从一开始就需要这样做。
我们人类一直会因为认定某些事不可能,而束缚住自己。更糟的是,我们通常只相信自己在极少数领域里的能力。众所周知,米开朗基罗原本并不想为西斯廷教堂绘制壁画——因为他觉得自己是雕塑家,不是画家。
在研究雄心这个问题时,我发现心理学中有一个对应的概念:自我效能感。简单说,自我效能感高的人更相信自己的能力,因此也确实能完成更多事情。有证据表明,一些技巧可以提升自我效能感。Locke 和 Latham 仔细研究了 35 年的目标设定研究,最终很有把握地得出结论:被赋予明确而困难目标的人,表现优于那些只被要求尽力而为的人。Stripe 创始人 Patrick Collison 维护着一份“Fast”清单,记录人类在同时面对大胆目标和紧迫期限时完成的种种事情。下面几种方法都有充分记录可查:
- 相信困难的事情可以做到,于是真的做到了: 1939 年,George Dantzig 在伯克利读书时,有一次上统计课迟到了。他从黑板上抄下两道题,以为是作业,后来交上了自己的答案。其实,那是统计学中两道尚未解决的难题。
- 看到别人做到之后,自己也完成了困难的事: 几十年来,人类一直在追逐 4 分钟内跑完 1 英里的纪录。Roger Bannister 在 1954 年 5 月打破纪录,但他作为唯一成功者的时间只维持了 46 天。如果你关注跑步,我们现在也在马拉松跑进 2 小时这件事上看到类似的情形:今年 4 月,Sabastian Sawe 在伦敦跑出了正式比赛史上首个 2 小时以内的马拉松成绩。同一场比赛中,亚军也跑进了 2 小时。
- 允许自己失败,于是完成了困难的事: 据说每个人最喜欢的商业书都是 The Inner Game of Tennis,而我直到上周才发现这本书。它的核心观点是:如果你一直特别、特别用力,就打不出自己最好的网球。我们这些工程师或许会想到 Linux;它刚公布时的说法是:“只是一个爱好,不会像 GNU 那样做得又大又专业。”
自我效能感的问题并不新鲜,但如今它的影响更大了。在一个我们的能力每隔几周就会跃升一次的世界里,我们需要一些方法,帮助自己去做那些原本没有认真想过、也不相信能够做到的事。如果你还发现了其他能让人更有雄心的方法,请告诉我!
本文题图来自 Francisco Goya 的《Modo de volar》(一种飞行方式)。