Datawhale干货
作者：Felix，Claude Code负责人
很多人用 AI 时，都习惯在开头写一句：请扮演一位 20 年经验的xx专家。
但你肯定也发现了，这样调教出来的 AI，给出来的依然是一堆正确的废话。
在 Claude 工程主管 Felix Rieseberg 看来，这是因为我们只让 AI 模仿了专家的语气，却没有要求它使用专家真正解决问题的方法。
作为地球上最懂 Claude 潜力的人之一，Felix 每天都在看着顶尖用户如何把 AI 的能力榨干。为了帮更多人跳出「把 AI 当普通聊天工具」的局限，他写下了这篇极其硬核的实战指南，在全网被500多万人鉴赏。
从提问的高度、研究的深度到跨界的广度，这篇文章会彻底刷新你对 AI 能力的认知。以下带来全文编译，强烈推荐读到最后。
用 AI，怎样才能更有野心？
我参与 Claude 的开发。这份工作很有意思：几乎每天，我都会看到有人借助 Claude，或让 Claude 自己完成一件我没想到的事。有些事我以为做不到，还有些只是因为好奇心不够、没有时间，一直没去尝试。
就在这个月，Claude 可能参与发现了一颗新行星；我看到了第一支自己真正喜欢的 AI 音乐视频；我们也开始讨论数学是否正在进入一个新时代。
模型的各项能力并不是同步提高的。用陶哲轩的话说，它们“在某些方面令人惊叹，在另一些方面却仍显不足”。
有些人已经找到了发挥模型优势的方法，做出了令人惊讶的成果。看着他们用我参与开发的产品完成这些事，我总忍不住继续关注。另一些人则还没弄明白：除了问“法国的首都是哪里”，或者“能不能把这封邮件改得没那么生气”，AI 还能用来做什么？
我和许多 AI 从业者经常说，使用 AI 时，我们应该更有野心一点。这几乎成了一句口号。每当看到出色的成果，我们就转发，然后配上一句：“我们的野心还是不够大。”
但我也理解，这句话听起来容易，具体该怎么做，却不清楚。所以，我想写一份实用的指南。
我把这种野心分成四个方向：
速度：用更少的时间完成同样的工作。这是 AI 创造经济价值最直接、最常见的方式。比如写代码，借助 Claude，我能完成得更快。这种用法已经很成熟，这里就不展开了。
高度：从你希望实现的结果出发，重新考虑应该交给模型什么任务。
深度：像领域内的顶尖专家一样处理问题，使用原始数据、专业工具和严谨的方法。
广度：引入其他领域的知识和方法，包括那些你平时不会想到使用的东西。
我主要使用 Claude，这应该不难猜到。不过，下面这些建议并不限于某一个模型。
高度：想清楚，你交代的任务究竟是为了什么
我们经常把这件事称为“让模型在更高的抽象层次上工作”。
说得直接一点：当你交给模型一项任务时，你通常已经替它选好了一种做法。你认为，做完这件事，就能得到想要的结果。但这未必是唯一的办法，也未必是最好的办法。
所以，你可以先问自己：我为什么要做这件事？做完之后，我希望发生什么？
去年年初，我还在让 Claude 帮忙修复一个个具体的崩溃问题。后来，我开始直接要求它：持续排查和修复问题，让我们的应用保持稳定。
来看一项很常见的办公室工作。
假设你在一家虚构的 Acme 公司，需要为季度业务复盘做一份演示文稿。给 Claude 一批数据，它很乐意帮你生成幻灯片。也许你已经有了模板，它只需要把内容填进去。
但做到这里，你对它的要求还可以更高。我们可以一步步往下看。
第一步，让它分析业务变化。
业务复盘通常需要回答三个问题：这个季度有什么变化，为什么会发生这些变化，接下来应该怎么办？
先别急着让模型更新模板里的数字。尽可能提供相关数据，让它理解你的业务，然后提出要求：
告诉我，这个季度发生了哪些变化，原因是什么，我们应该采取什么行动。
第二步，让它为决策作准备。
一场好的会议，理想情况下应该以作出决定结束。你可以继续问：
根据你已经掌握的情况，找出当前最迫切需要作出的三个决定。针对每个决定，研究可能的行动方向，并列出支持和反对的理由。
第三步，让它重新设计发现问题、推动决策的办法。
季度业务复盘形成于这样一个时期：人们必须花大量时间筛选数据、理解数据，再判断业务是否需要调整。
但如果这些工作现在可以用不同的方式完成，还需要每个季度做一份演示文稿吗？你可以进一步要求 Claude：
业务复盘的目的是让管理层尽早发现问题，把资金和人员投入合适的地方。请设计一种比季度演示文稿更有效的办法。用我们过去的业务记录证明，它能够更早发现问题，再让它与现有流程并行运行一个季度。
如果你有明确的最终目标，这种做法往往很有用。对于创作类工作，它就未必同样适用。
有一个实用的判断方法：如果你完成手头这项工作后，还得开会讨论，并根据讨论结果采取行动，就值得考虑，能不能把后续要解决的问题也交给模型。
当然，目前仍有边界。至少在 2026 年，对大多数企业来说，只说一句“Claude，去帮我赚钱”，似乎还不能解决问题。但我的总体观察是，随着能力增强，模型开始能够处理更复杂、更需要自主判断的目标。
这种用法也更容易形成可以持续运行的工作流程，减少人工介入。你不必再一直盯着模型，做完一项任务，就给它布置下一项。
不过，要做到这一点，往往需要先调整工作流程。
比如，为了让 Claude 持续处理应用崩溃问题，我首先得让它能够方便地获取崩溃报告，弄清每个应用版本对应哪次 Git 提交，还要让它能够使用 Windows、macOS 和 Linux 电脑。这样，它才能独立复现问题，并验证修复是否有效。
深度：要求它使用专家真正采用的方法
有时候，你的目标很明确，就是想把一件事做到足够好。
在深度上更有野心，意味着要求模型使用这个领域里最优秀的专业人士所采用的工具、技术和知识，继续研究，直到它的成果甚至能给这些专业人士带来新的发现。
还是以 Acme 公司的季度业务复盘为例。假设公司正在面临用户流失，我发现，下面几种方法结合起来很有用。
要求它使用业内高手真正使用的工具。
当你要求模型“像专业人士一样工作”时，它经常只是换了一套词汇，方法却没有变化。
想把问题研究透，就要使用优秀的数据科学家和统计学家会采用的工具。如果 Claude 准备只用几张 Markdown 表格展示和分析数据，你就要坚持让它使用数据库和统计模型。
你不一定得先知道专家会用什么。通常，Claude 知道。
把目标定得更难一些。
你希望把网站加载时间从 10 秒缩短到 5 秒？试着要求它做到 200 毫秒。
模型觉得某件事不可能？可以再次强调，这个问题有办法解决，让它继续尝试。
我的做法是，提出一个看起来不太合理的目标，然后告诉模型，这个目标值得认真争取。
检验那些你以为已经知道的事。
尤其在商业领域，我们相信的许多“事实”，其实只是对现实的粗略概括。
让模型接触原始信息和数据，要求它主动寻找能够推翻现有假设的证据。比如：
我们认为，用户流失是新用户引导出了问题。请从原始数据出发，检验能否得出这个结论。
寻找此前不知道的东西。
这一步可以紧接着假设检验展开。既然 Claude 已经深入研究数据，就让它继续寻找我们遗漏的问题：
根据日志建立一个客户行为模拟，复现过去一年的情况。然后，找出一个我们尚未发现、能够尽早预示用户流失的信号，并用它没有见过的数据验证预测效果。
引入独立的检验。
不要让模型自己判断自己的结果是否正确。
我猜，随着模型变得更聪明，这个问题最终可能得到解决。但至少在 2026 年 10 月，我强烈建议坚持使用外部验证。最好有一个模型能够自行运行、并立即获得反馈的工具。
下面这段提示词，经常能帮到我：
我希望把这项任务做得更深入，不是扩大任务规模。在改写之前，请先回答四个问题：
这个领域的顶尖专业人士，会做哪些我没有提出要求的工作？
他们会从哪些最原始的材料入手，而不是使用已经替我整理、加工过的内容？
他们具体会采用哪些方法和工具？
除了你或我的判断，还有什么能够证明结果是对的？
然后，请根据这些答案，重新改写我的提示词，把这些要求明确写进去。
广度：看看其他专业的人会怎么做
在广度上更有野心，就是借助更多领域的方法来完成工作。
过去，专门邀请多个领域的人参与一项任务，可能不划算。现在，AI 降低了尝试这些方法的成本。
这并不是一个新想法。许多盗窃题材的电影，开头都在召集各有所长的成员，因为完成一项复杂任务，往往需要不同的专业能力。
随着 AI 产品让多智能体协作变得越来越容易，无论是使用多个会话、负责协调的智能体，还是子智能体，我都见过一些很有意思的成果：明确要求 Claude 引入其他领域的方法，有时就能找到原本没想到的做法。
但实践起来并不容易。你得先想到，这件事还可以借助哪些专业知识。
直到看到同事 Alex Albert 用 Blender 渲染室内设计，我才想到，可以让 Claude 为我的个人主页制作 3D 场景。尽管我以前自己做过电子游戏，也没有想到这样用它。
不过，这也是我最常看到意外收获的地方。
具体怎么做？我通常采用下面两种方法。
把要交付的东西，改写成需要完成的动作。
这是 Tom Kelley 和 Jonathan Littman 在《创新的艺术》中介绍过的一个办法：试着把名词换成动词。
比如，把季度复盘描述为“做一份演示文稿”，你很容易只想到写文字、画图表、排版。
但你也可以这样描述它：
在 30 分钟内，让一群忙碌的人理解并接受你对业务变化及其原因的解释，再根据这些信息，在仍有不确定性的情况下作出决定。
这样一来，我和 Claude 就更容易看出，哪些专业知识能够帮上忙。
想一想，这项工作值得请哪些专业人士参与。
假设这份报告极其重要，你会请谁一起来做？
为了保证内容质量，我会找一位分析师、一位记者和一位编辑。如果还需要现场演示，可能也要加入动效设计师和音频设计师。
再请一些人专门挑错、寻找漏洞，也许会有帮助。比如，做空者和法证会计师就可能发现别人忽略的问题。
不过，这种做法很容易变成角色扮演。对话里的角色越来越多，实际成果却没有改善。
关键是找到这些专业人士使用的方法，并把它们用到任务里。不要只让模型模仿做空者的写作风格，要让它采用做空者研究投资标的、形成做空判断时使用的方法。
上面这些做法，都需要模型能够使用一台电脑、安装软件，并访问相关数据。数据可以通过 MCP 连接器获取，也可以通过其他方式接入。
已经有不少工具能够提供这些能力，我建议你选用其中一种。
人们经常低估自己能做到什么
以上就是我关于如何更有野心的一些具体建议。
如果你愿意再读一会儿，我还想解释一下：为什么我认为，我们需要专门学习这件事。
我们愿意尝试什么，往往取决于自己认为什么事情做得到。而且，我们通常只在很窄的专业范围内相信自己的能力。
米开朗基罗起初并不想为西斯廷礼拜堂绘制壁画，因为他认为自己是雕塑家，而不是画家。
在研究这个问题时，我了解到，心理学里有一个相关概念，叫作“自我效能感”。简单说，自我效能感高的人，更相信自己有能力完成事情，而这种信念又会帮助他们取得更多成果。
一些研究表明，这种信念可以通过一定的方法得到增强。
Locke 和 Latham 回顾了 35 年的目标设定研究后发现，相比只是被要求“尽力而为”，人们在面对明确而有难度的目标时，往往表现得更好。
Stripe 创始人 Patrick Collison 维护着一份名为“Fast”的清单，记录人类在目标大胆、期限紧迫的情况下，曾经完成过哪些事情。
下面几种方法，都有广为记录的例子。
相信一件事可以做到，有时会帮助你完成难题。
1939 年，George Dantzig 在伯克利的一节统计课上迟到了。他抄下黑板上的两道题，以为那是课后作业，后来交上了自己的解答。
那其实是统计学里两道尚未解决的问题。
看到别人做到，也可能让你愿意尝试。
几十年来，人们一直试图在四分钟内跑完一英里。
Roger Bannister 在 1954 年 5 月打破了这个纪录。但仅仅 46 天后，就有第二个人做到了。
如果你关注跑步，可能也在见证马拉松两小时大关上的类似变化。今年 4 月，Sabastian Sawe 在伦敦跑出了首个获得正式认可的两小时以内马拉松成绩。同一场比赛中，亚军也跑进了两小时。
允许自己失败，有时反而更容易做好。
《身心合一的奇迹力量》（The Inner Game of Tennis）似乎是所有人都喜欢的一本商业读物，我却直到上周才读到。
这本书的核心观点是：当你一门心思、拼命想要打好网球时，反而未必能发挥出最佳水平。
我们这些工程师或许还记得 Linux 最初发布时的说法：“只是个爱好，不会像 GNU 那样庞大而专业。”
自我效能感从来都不是新问题，但它现在对我们的影响更大了。
借助 AI，我们能做的事情每隔几周就可能有新的变化。我们也需要一些方法，帮助自己跟上这些变化，去尝试那些过去没有考虑过，或者以为自己做不到的事。
如果你找到了其他让人更有野心的方法，请告诉我。