“大家用AI都太保守了！”Claude Code负责人：我的方法更有野心～ - MK体育

Claude Code桌面版负责人Felix Rieseberg分享了一个AI使用技巧：先设定一些看似不切实际的目标，然后告诉模型这些目标完全可行。

具体操作上，如果想把网站加载时间从10秒缩短到5秒，他建议直接把目标定到0.2秒。当模型表示无法做到时，继续强调问题可以解决，让它再尝试。

在Felix看来，我们给AI布置任务时还可以更大胆。他还分享了一个小技巧：把任务中的名词换成动词。例如，将“做一份汇报PPT”重新表述为：“在30分钟内，让一群忙碌的人信服你对事情前因后果的解释，并在情况尚不明朗时作出决策。”

除了故意设定激进目标，他还提供了几种具体做法：不要只让AI“像专家一样思考”，而是追问真正的专家会看哪些原始资料、使用什么工具、采用什么方法，并将这些要求写入任务；不要把自己的判断直接当作答案，而是交给AI检验，让它回到原始材料中寻找支持证据和反例；不要让AI自己给自己打分，代码就实际运行，预测结果就用新数据检验，最终让真实结果说话。

以下是Felix使用Claude的详细教程，经润色。

使用AI，我们还能更有野心

我在Claude团队工作。这份工作有意思的地方在于，几乎每天我都会得知又有一件事借助Claude完成了，甚至是由Claude独立完成的。有些事我压根没想过，有些我原本觉得不可能，还有一些只是我自己没好奇也没时间去尝试。

就在这个月，Claude可能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；我们甚至开始讨论数学的新时代是否正在到来。模型的各项能力并不会齐头并进。正如陶哲轩所说，它们“在某些方向上令人惊叹，在另一些方向上却仍有不足”。

有些人已经学会驾驭模型那些惊人的能力，仿佛真的飞了起来。看着他们借助我亲手打造的产品抵达那样的高度，着实让人着迷。更多人还在摸索怎么用好这双新长出来的翅膀，他们仍在琢磨除了回答“法国的首都是哪里”或“能不能把这封邮件的语气改得温和一点”，AI还能做什么。

我和许多AI从业者常把一句话挂在嘴边：用AI，应该更有野心一点。这句话几乎成了我们的行动口号。每当看到令人惊叹的成果，我们就会转发，再配上一句：“我们还不够有野心。”我也知道这话说起来容易，真要照做却很难。所以，这里有一份关于“如何更有野心”的教程。

我把野心分为四类：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创造经济价值最基本的方式。比如，同样是写一段代码，有Claude帮忙，我可以更快完成。这种用法已经相当成熟，也不太需要琢磨更复杂的使用方式，所以这里先略过。

高度：提高任务的抽象层次，关注最终想实现的结果，而不是一个个具体任务。

深度：像顶尖专家一样思考任务，进一步深入底层的数据、工具和问题。

广度：从多个领域寻找解决问题的思路，把平时不会接触的知识、工具和方法也用起来。

虽然我主要使用Claude，但这些建议并不针对某个特定模型。

高度：让模型在更高的抽象层次上工作

我们常把这种做法随口称为“让模型在更高的抽象层次上工作”。当你给模型下达任务时，它其实是在执行你对如何达成预期结果的最优设想。若想站在更高的维度思考，不妨问问自己——接下来，你希望发生什么？目标背后的目标，又是什么？

去年年初，我还让Claude帮我修复单个程序崩溃问题，后来我直接要求它确保我们的应用始终保持无崩溃运行。

来看一个日常办公任务。假设你在Acme公司，需要为季度业务复盘准备一份PPT。给Claude一堆数据，它会很乐意帮你做出来；也许你已经有了模板，它只需要把内容填进去。这和发现一颗新行星实在没法比。但同样是做一份季度汇报，我们还能让AI做到什么？可以从最基础的要求开始，一步步提高野心：

第一步，让它理解业务发生了什么。大多数复盘需要回答这几个问题：这个季度发生了什么变化？为什么？接下来应该怎么办？如果你只想更新模版里的数字，请克制这种冲动——尽可能把能弄到手的数据都交给模型，让它真正理解你的业务，然后问它：告诉我，这个季度发生了什么变化，为什么会发生，以及我们应该采取什么行动。

第二步，让它找出需要作出的决策。一场会议——至少是一场好会议——理想情况下应该以某些决策收尾。可以这样问Claude：根据你了解到的所有情况，判断眼下最迫切的三项决策是什么，并针对可能的行动方向展开分析，分别列出支持和反对的理由。

第三步，让它重新设计这套工作机制。放在以前，要做好一次季度业务复盘，人类必须仔细筛选数据，理解数据的含义，再判断业务是否需要调整。现在，可以试着问Claude：复盘存在的意义是让管理层尽早发现问题，并把资金和人员配置到合适的地方。请设计一种比季度PPT更好的实现方式，用我们自己的历史数据证明它本可以更早发现哪些问题，然后让它与现有方法并行运行一个季度。

当你确实在追求某个最终结果时，提高目标层次的方法最有效；但对于创作类任务，它的适用性相对有限。一个很好的判断信号是：如果你正在做的事情之后还需要开会讨论，那么就值得把目标再往上提一层。当然，目前仍然存在局限——至少在2026年，对大多数企业来说，只说一句“Claude，去赚钱吧”，似乎还没法让事情自动运转起来。不过，我总体的观察是：随着能力增强，模型似乎越来越能在更高的抽象层次上工作。提高目标层次，还能帮助人们找到可持续运行、无需人类持续介入的工作流，让你不必一项接一项地向模型派发新任务。要做好这件事，往往需要改变现有工作流程。比如，为了让Claude确保我们的应用不崩溃，我得先让它能方便地获取崩溃报告，理解每个应用版本对应哪次Git提交，并赋予它访问Windows、macOS和Linux电脑的权限。这样，它才能真正独立地复现问题，并验证修复是否有效。

深度：用顶尖专家的方法，把问题做透

有时，你只是希望一项任务能完成得特别好。在“深度”上更有野心，就是推动模型使用这个领域最优秀的专业人士所采用的工具、技术、媒介和知识，并且不断加码——直到连这些专家也可能从你的成果里学到新东西。

继续看Acme公司的季度业务复盘。假设这家公司正面临用户流失的问题，也就是客户随着时间推移不断离开。我发现，下面几种方法结合起来使用很有帮助：

坚持使用行业顶尖人士所用的工具。当你要求模型“像专业人士一样工作”时，它往往只是换了一套专业词汇，实际方法却没有变。要真正深入地研究问题，就得使用顶尖数据科学家和统计学家所用的工具。当Claude伸手去拿Markdown表格时，坚持让它改用数据库和统计模型。你不必事先知道专家会用什么——Claude通常知道。

设定“不合理”的目标，再告诉模型它们非常合理。你希望把网站加载时间从10秒缩短到5秒？直接要求0.2秒。模型觉得某件事不可能做到？再向它强调，这个问题完全可以解决，它需要继续尝试。

挑战你已经认定的结论。尤其在商业领域，很多我们相信是事实的东西，都只是对现实的粗略近似。让模型接触原始信息和数据，带着质疑的态度检验那些假设。比如：我们认为用户流失是新用户引导环节的问题。请尝试从原始数据中复现这个结论。

找出新的知识。这一步很容易接在“挑战已有认知”后面——既然Claude已经深入数据内部，就继续要求它寻找盲点：根据我们的日志构建一个客户模拟模型，重现过去一年的情况。然后，找出我们尚不知道的、最早预示用户流失的信号，并用它未见过的数据验证预测能力。

引入外部评判。不要让模型自己评价自己。我想，随着模型智能不断提高，这个问题最终会得到解决。但在2026年10月，我强烈建议你坚持使用外部验证。理想情况下，验证方式应该是一种模型可以自行运行、并立即获得反馈的工具。

下面这段简单的提示词，经常能帮到我：我希望把这项任务做得更深入，而不是扩大任务范围。改写任务之前，请先完成四件事：说明这个领域的顶尖专业人士会做哪些事情，而我还没有提出这些要求；列出他们会从哪些最原始的材料入手，而非直接使用已经替我整理、消化过的内容；列出他们会采用的具体方法和工具；说明除了你和我之外，还有什么能够证明结果是正确的。然后，改写我的提示词，把这些要求准确地写进去。

广度：把其他领域的方法也用起来

在“广度”上更有野心，就是从不同领域的视角审视自己的工作。涉及的领域可以比过去更多，因为过去这样做，从成本上往往不划算。这个想法并不新鲜。几乎每一部讲高手组队的电影，前30分钟都在召集一群背景各异、各有所长的人。随着AI产品让多智能体系统越来越容易运行——无论是通过多个线程、协调器，还是直接使用子智能体，我发现，让Claude引入其他领域的思路，往往能带来一些很有意思的结果。

真正实践起来并不容易，它需要你发挥创造力。在看到同事Alex Albert用Blender渲染室内设计之前，我从未想过可以用Claude为自己的主页制作3D环境。要知道，我以前可是做电子游戏的！不过，这也恰恰是我最常看到惊喜的地方。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》中提到的一个老方法。季度复盘的目的，远不止产出“一份PPT”。你要做的是：在30分钟内，让一群忙碌的人信服一套关于事情前因后果的解释，并在不确定的情况下作出决策。用动词描述任务，会让我和Claude更容易看清，哪些领域能够提供独特而有用的视角。

组建一支跨领域团队。假设这份PPT必须惊艳，否则外星人就会炸毁地球。人类会召集一支怎样的团队？为了保证成品质量，我会找来一名分析师、一名记者和一名编辑。如果还需要现场展示，可能还得找一位动效设计师和一位音频设计师。引入一支专门挑错的“红队”也许很有帮助，那就再找来一名怀疑论者和一名法务会计师。不过，这种做法很容易不小心变成角色扮演，结果只是让你和模型的对话变得更古怪，实际成果却没有改善。你应该用这个方法寻找有用的领域和技术。直接让模型按照怀疑论者研究投资标的的方法开展调查，比让它编写一个这样的角色更有意义。

我前面介绍的所有方法，都要求模型有一台可以操作的电脑，能够安装软件，并访问各种相关数据，无论是通过MCP连接器，还是其他方式。现在有不少工具能够提供这些条件，我建议你选一个用起来。

自我效能感：人也要更新对自身能力的判断

以上就是我关于“怎样更有野心”的具体建议。如果你愿意再多留一会儿，我想聊聊为什么我们有必要讨论这个问题。

人类一直受到自身判断的限制：我们认为什么可能，什么不可能。更麻烦的是，我们通常认为自己只能在非常狭窄的领域里有所作为。米开朗琪罗当年不愿意为西斯廷礼拜堂作画就是一个著名的例子，他认为自己是一名雕塑家，对画家的身份缺乏认同。

在研究“野心”这个问题时，我了解到心理学里有一个相关概念：自我效能感。简单来说，自我效能感更高的人更相信自己的能力，也因此能完成更多事情。有证据表明，自我效能感可以通过一些方法加以提升。Locke和Latham梳理了35年的目标设定研究，得出了明确的结论：被赋予清晰而有挑战性目标的人，表现优于那些仅仅被告知“尽力而为”的人。Stripe创始人Patrick Collison维护着一份名为“Fast”的清单，记录人类在大胆的目标和紧迫的期限之下曾完成过哪些事情。

下面是几种有充分记录的方法。

相信困难的事情可以做到。1939年，George Dantzig去伯克利上统计课时迟到了。他把黑板上的两道题抄下来，以为那是作业，随后交上了自己的解答。实际上，那是统计学里两个尚未解决的问题。

看到别人做到，再去完成困难的事情。几十年来，人类一直在尝试把一英里的跑步时间缩短到4分钟以内。1954年5月，Roger Bannister突破了这一关口。但这个“全球只有他一个人跑进4分钟”的局面仅持续了46天。如果你关注跑步，就会发现马拉松的两小时关口正在发生类似的事情。今年4月，Sabastian Sawe在伦敦跑出了正式赛事中的首个两小时以内的马拉松成绩，同一场比赛的亚军也跑进了两小时。

允许自己失败，再去挑战困难。《The Inner Game of Tennis》似乎是所有人都喜欢的一本商业书，而我上周才发现它。这本书的核心观点是：当你拼命用力、过分努力时，反而无法打出自己最好的网球水平。我们这些工程师或许还记得，Linux刚被公布时，Linus是这么形容它的：“我做这玩意儿就是图个乐，不会像GNU那样宏大、专业～”（谁能想到，后来Linux成了大气候，而GNU内核至今也没做成。。。）

自我效能感并非一个新问题，但它如今变得太太太重要了！在一个能力每隔几周就跃升一次的时代，我们迫切需要一些方法，去做到那些我们不曾认真考虑过、甚至从未相信能够做到的事。但反过来想想，能用AI做到原本做不到的事情，是不是很兴奋呢。

参考链接：https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/

本文来自微信公众号“量子位”，作者：听雨，36氪经授权发布。在MK体育平台介绍中，用户可以通过类似的方法更高效地利用AI工具。