Claude内部员工写的教程：把AI用到极致的四个维度

最近读到一名在Anthropic公司从事Claud模型相关工作的工程师发表的文章。他名叫Felix Rieseberg，10月13日在自己博客上发表该文，标题为：《How to be more ambitious: A tutorial for humans with models》（如何变得更有雄心：写给与AI模型并肩作战的人类的教程）。

众所周知，Claude模型目前是世界上最顶级的AI大模型之一，作为一名开发Claude的内部人士的分享，其中之含金量自然不容低估。

文章虽然讲的是Claude模型，但是我读完之后，觉得它适合所有今天正在使用AI的人士，无论是资深人士，还是技术小白，它能帮你把AI的使用提高到另外一个台阶。

你也可以直接把这篇文章喂给你的AI，让它基于本文生成一个技能（Skill），将来完成某件任务的时候调用，相信它一定会帮你创造一个以前从未见识过的奇妙结果。

在这篇文章中，作者将使用AI拆解为速度、高度、深度、广度四个维度，具体要点如下：

速度（Speed）：基础层面的价值。用更少的时间完成常规任务（如写代码），不需要太多创造力，文章中直接略过。

高度（Altitude）：提升抽象层级。不局限于单个具体任务，而是关注超越目标的最终结果，通过改变工作流让 AI 承担更宏观的职责（例如直接让 AI 保持应用“无崩溃”而不是帮忙修单个 bug）。

深度（Depth）：对齐顶尖专业的标准。敦促模型使用行业顶级专家的工具、原始数据和统计方法，设定看似不合理的高标准，挑战固有假设，并坚持通过外部裁判或工具来验证结果。

广度（Range）：跨领域的多元视角。打破单一学科的限制，通过将任务转化为动词或组建多领域的“AI 专家团队”（如引入分析师、做空者等不同角色的思维模型），从多个通常不会涉足的领域中获取多元想法。

以下是该文章的全文翻译：

如何变得更有雄心：写给与AI模型并肩作战的人类的教程

我在 Anthropic 从事 Claude 的相关工作。这是一种很有趣的体验：每一天，我都会了解到由 Claude 完成或与 Claude 共同完成的、我此前从未设想过、觉得不可能实现，或者只是缺乏好奇心和时间去尝试的壮举。这个月，它可能刚刚协助发现了一颗新行星，我看到了我真正喜欢的第一个 AI 音乐视频，我们还在讨论一个全新的数学时代。

模型能力的发展并不是匀速的。正如陶哲轩（Terence Tao）所说，模型是“在某些方向上惊人强大，而在其他方向上则捉襟见肘”。有些人设法驾驭了那些令人惊叹的能力，看起来像是腾空飞翔——看着人们利用我所构建的产品达到不可思议的高度，这种感觉让人上瘾。

而另许多人则仍在挣扎着让他们的新翅膀运转起来，琢磨着除了问“法国的首府在哪里”或者“你能把这封邮件写得不那么生气吗”之外，它们到底有什么用。

我经常（与其他 AI 从业者一起）大声疾呼，我们在使用 AI 时理应更有雄心。这已经成了一种战斗口号。每当看到令人印象深刻的成果时，我们就会转发并写下“我们的雄心还不够”。我深知要遵循这一建议是多么棘手，因此，这是一份关于如何变得更有雄心的教程。

我认为雄心可以分为四种类型：速度（Speed）、高度（Altitude）、深度（Depth）和广度（Range）。

• 速度：用更少的时间完成同样的工作，这是 AI 产生经济价值的基石：如果你需要写点代码，我用 Claude 可以写得更快。这已经非常成熟，并且对你如何使用 AI 的方式几乎不需要什么创造力，所以我会跳过这一点。

• 高度：提升抽象层级，关注最终结果，而不是单个的具体任务。

• 深度：以领域顶尖专家的思维方式来思考任务。我们不浮于任务表面，而是深入一层，触及底层的数据、工具和问题。

• 广度：借鉴多个领域的知识、工具和技术——不仅限于任务表面可能需要的那个领域——运用那些你平时不会涉足的方法。

我主要使用 Claude（纯属废话），但我的建议并不局限于某种特定的AI模型。

01

高度（Altitude）

我们经常轻率地称之为“让模型在更高的抽象层级上运作”。当你给模型分配任务时，它执行的其实是你关于如何达成期望结果的“最优猜测”。

要想在高度上更有雄心，问问你自己——接下来你想发生什么？超越目标的那个目标是什么？去年年初，我还在让 Claude 帮我修复单个的程序崩溃。最终，我直接要求 Claude 负责让我们的应用程序保持无崩溃状态。

让我们来看一个日常的（甚至可以说是乏味的？）办公室任务。你在一家虚构的公司 Acme Inc 工作，需要为季度业务回顾（QBR）制作一份演示文稿。给你一堆数据，Claude 会很乐意为你制作一些幻灯片。也许你甚至有一个模板，它只需要填进去。这跟发现一颗新行星简直没法比，

所以让我们来看看如何通过具体步骤让我们的方法更有雄心。我们从基础开始，每一步都提高一点雄心：

作为输入，大多数回顾会议都想了解本季度发生了什么变化、为什么会变，以及对此应该采取什么措施。抵制那种仅仅更新模板里数字的冲动——把你能弄到的所有数据都交给模型，让它理解你的业务：“告诉我这季度发生了什么变化、为什么，以及我们该怎么做。”

会议（好的会议至少如此）理想情况下应该以做出某些决定而告终。问问 Claude：“在吸收了所有这些信息后，找出最紧急的三项决策，并开始制定带有正反方论据的潜在方向。”

季度业务回顾（QBR）源于这样一个时代：当时优秀的回顾需要人类仔细筛选数据，弄清楚数据意味着什么，以及企业是否应该进行调整。问问 Claude：“设立这个回顾的目的是为了让管理层尽早发现问题，并将资金和人员投放到正确的地方。设计一种比季度演示文稿更好的方法来做到这一点，并通过我们自己的历史数据证明它能更早地发现问题，然后让它与当前的流程并行运行一个季度。”

如果你确实在追求某种终极结果，高度方法的效果最好；对于创造性的努力，它的效果则没那么好。一个很好的迹象表明“提升高度”是一个好主意，那就是你接下来要开会讨论你正在做的事情。

目前存在一些局限性（在 2026 年，“Claude，去赚钱吧”这句话对大多数企业来说似乎还无法凭空奏效），但我总觉得，随着模型能力越来越强，它们似乎能够以更高的抽象层级进行运作。

高度也是人们找到能够“将人类从环路中解放出来（Human-in-the-loop）”的持久工作流的地方，这使得你不再需要不断地向模型派发一个又一个任务。

要把这一点做好，通常需要改变你的工作流——为了让 Claude 确保我们的应用程序没有崩溃，我首先得确保它能够轻松获取崩溃报告，理解哪个应用版本对应哪个 Git 提交（commit），并赋予它访问 Windows、macOS 和 Linux 电脑的权限，这样它才能真正独立重现并验证修复方案。

02

深度（Depth）

有时，你只是希望某个任务能够被极其出色地执行。在深度上更有雄心，意味着敦促模型使用该领域最优秀专业人士所采用的工具、技术、媒介和知识——并不断深入，直到连那些专家都能从你的工作中学到新东西。

让我们继续以 Acme Inc 的季度业务回顾演示文稿为例。假设 Acme Inc 正挣扎于某种用户流失（客户随时间流失）的问题。我发现以下几种技术的组合非常有用：

• 坚持使用行业顶尖水平的工具：当被提示要表现得像个专业人士时，模型往往会改变词汇，但实际上并没有改变方法。为了深入解决我们的问题，我们需要使用与最优秀的数据科学家和统计学家相同的工具。当 Claude 伸手去拿 Markdown 表格时，坚持要求它使用数据库和统计模型。你不一定非要知道专家用什么，但 Claude 通常知道。

• 设定不合理的宏伟目标，并告诉模型这些目标非常合理：你需要你的网站在 5 秒内加载完毕，而不是 10 秒？那就要求 200 毫秒。某些事情对模型来说似乎是不可能的？重申它是完全可以解决的，它只需要继续坚持下去。

• 挑战你的认知：特别是在商业领域，我们认为理所当然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，并要求它以对立的眼光去审视各种假设。“我们认为流失率是一个用户引导（onboarding）问题。请尝试从原始数据中重现这一点。”

• 生产新的知识：这可以很容易地与“挑战你的认知”结合起来——一旦 Claude 已经深入到数据内部，就要求它寻找盲点。“构建一个我们的客户模拟系统，用我们的日志重现过去一年。然后找出我们目前尚不知晓的最早流失信号，并证明它能够对未见过的数据进行预测。”

• 使用外部裁判： 不要让模型自我评判。我假设随着模型智能的提升，这个问题最终会得到解决，但在 2026 年 10 月，我恳请大家坚持使用外部验证。理想情况下，这是一个模型可以运行以立即获得反馈的工具。

一个经常能帮到我的简单提示词：

“我想要这个任务的深度版本，而不是更大版本。在重写它之前：（1）说出该领域的顶级专业人士会在这里做哪些我没有要求的操作；（2）说出他们会从什么最原始的材料开始，而不是那些已经被别人嚼烂的材料；（3）说出他们会使用的具体方法和工具；（4）说出除了你我之外，还有什么能够证明结果是正确的。然后重写我的提示词，要求完全做到这些。”

03

广度（Range）

简而言之，在广度上更有雄心意味着：我们从不同领域的视角来审视我们的工作——其涉及的领域比过去出于经济效益考虑所能负担的要多得多。 这并不是什么特别独特的见解，每一部劫匪电影的前 30 分钟都在组建一支拥有多元化角色和天赋的团队。

随着 AI 产品让运行多智能体系统（带有多个线程、协调器或纯粹的子智能体）变得越来越容易，当我恳请 Claude 引入额外领域时，我看到了非常有趣的结果。

将这一点付诸实践并不容易，它需要你具备创造力。直到我看到我的同事 Alex Albert 使用 Blender 渲染室内设计之前，我从未考虑过将 Claude 用于我个人主页的 3D 环境——尽管我以前做过电子游戏！然而，毫无疑问，这也是我见证最多奇迹发生的地方。

那么，我们该怎么做呢？我使用了以下技术：

• 尝试用动词替换名词：这是汤姆·凯利（Tom Kelley）和乔纳森·利特曼（Jonathan Littman）所著的《创新艺术》（The Art of Innovation）中的一个老把戏。季度回顾不是“一个演示文稿”。它是“在 30 分钟内，让大忙人们相信一个关于因果关系的故事，并在充满不确定性的情况下做出决定”。有了这些动词，我和 Claude 就能更容易地理解哪些领域可能会带来独特且有用的视角。

• 组建团队：这个演示文稿必须做到极致精彩，否则外星人就要炸毁地球了。人类会凑齐什么样的一支队伍？为了确保产出质量，我会引入一名分析师、一名记者和一名编辑。如果要进行展示，可能还需要一名动效和音频设计师。雇佣一个具有对抗性的“红队”也可能会很有用，所以让我们再带上一名做空者（short seller）和一名法务会计师。

  这很容易让人不小心陷入角色扮演（role play），这会让你的对话记录变得古怪，却无法改善实际结果。使用这种方法是为了寻找领域和技术。不要让模型去扮演一个做空者，而是要求它去做一个做空者在研究其立场时所做的事情。

我所描述的所有追求雄心的方式，都要求模型拥有配备了“能够安装软件并访问各种相关数据（通过 MCP 连接器或其他方式）”的电脑。有很多工具可以让这一切成为可能，我建议你使用其中一个。

04

我们曾经来过这里

以上就是关于如何变得更有雄心的具体建议。如果你愿意再花一分钟听我说完，我想告诉你为什么我认为这在最初甚至是必要的。

我们人类一直被我们认为可能的事情所束缚——更糟糕的是，我们通常只在非常狭窄的学科中信任自己。米开朗琪罗当年大名鼎鼎地拒绝绘制西斯廷教堂壁画——你看，他是个雕塑家，而不是画家。

在研究雄心这个问题的过程中，我了解到心理学中有一个名词来形容这一点：自我效能感（Self-efficacy）。简而言之，具有高自我效能感的人对自己的能力更有信心，进而实际上能取得更多成就。

有证据表明，自我效能感是可以被“黑”出来的：洛克（Locke）和拉瑟姆（Latham）仔细研读了 35 年来关于目标设定的研究，并自信地宣布：被赋予具体、困难目标的人，其表现要优于那些仅仅被告知“尽力而为”的人。

Stripe 的创始人帕特里克·科利森（Patrick Collison）维护着一个“快速（Fast）”清单，记录了人类在被赋予雄心勃勃的目标和紧迫期限时所取得的许多成就。一些已被充分记录的“捷径”包括：

• 通过相信困难的事情是可能的来完成它们：1939 年，乔治·丹齐格（George Dantzig）迟到了伯克利的一堂统计学课，从黑板上抄了两道题，以为那是家庭作业并交了上去。结果那是统计学上两道未解的难题。

• 在看别人做到之后去完成困难的事情：几十年来，人类一直在追逐“四分钟跑完一英里”。罗杰·班尼斯特（Roger Bannister）于 1954 年 5 月打破了这一纪录，但在短短 46 天里，他仍然是唯一做到这一点的人。

  如果你喜欢跑步，我们正在见证类似的一幕发生在“两小时内跑完马拉松”上：萨巴斯蒂安·萨韦（Sabastian Sawe）今年 4 月在伦敦跑出了官方首个两小时内马拉松。在同一场比赛中，亚军也打破了两小时的大关。

• 通过给自己允许失败的许可来完成困难的事情：显然，每个人最喜欢的商业书是《网球的内在竞技状态》（The Inner Game of Tennis），我上周才发现这本书。该书的核心论点是：如果你拼命、拼命、拼命地去尝试，你就无法打出你最好的网球。我们这些工程师可能还记得 Linux，它当年发布时被称为“只是一个业余爱好，不会像 gnu 那样庞大和专业”。

自我效能感并不是一个新问题，但在今天，它变得更加强大。在一个我们的能力每隔几周就会实现飞跃的世界里，我们需要一些技术，让我们能够去做那些我们过去甚至没有考虑过或不相信可能做到的事情。

如果你发现了更多能让你变得更有雄M的技巧，请务必让我知道！

（原文地址：https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/）

1、

2、

3、

4、