编者按：大部分人用顶级大模型只当润色工具，Claude 核心研发者亲述：拉开人与人差距的不是提示词，是使用野心。文章来自编译。
我参与了Claude 的研发。这是一种很有意思的体验：每天我都会听说又有人借助 Claude（或是由 Claude 独立）完成了一项壮举。有些方向我从未想过，有些我曾以为不可能实现，还有些我只是缺乏好奇心或时间去尝试。就在这个月，它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，人们也开始谈论数学的新纪元。
模型能力的增长并不均衡。正如陶哲轩（Terence Tao）所言，模型“在某些方面令人惊叹，在另一些方面却力有不逮”。有些人能够驾驭那些惊人的能力，仿佛御风而行。看着人们借助我参与打造的产品抵达令人难以置信的高度，实在让人着迷。但还有很多人仍在摸索如何让这双新生的翅膀动起来，不知道除了问“法国的首都是哪里”或“能不能把这封邮件改得没那么冲”，它还能做什么。
我和其他 AI 从业者经常呼吁：应用 AI 时，我们应该更有野心。这已经成了一句口号。每当看到令人惊艳的成果，我们就会转发，并配上一句“我们的野心还不够”。我明白照这条建议去做并不容易，所以我写了这份关于如何更有野心的指南。
我把野心分为四种：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 创造经济价值的基本盘。比如需要写一段代码，我用 Claude 就能写得更快。这一点已经相当成熟，在使用方式上也不需要太多创造力，所以我略过不谈。
高度：提升抽象层级，着眼于最终结果，而非单个任务。
深度：像该领域的顶尖专家那样看待任务。不停留在任务本身的层面，而是再深入一层，直接触及底层的数据、工具和问题。
广度：不局限于任务表面所属的单一领域，而是调用多个领域的知识、工具和技巧，包括那些你平时不会用到的。
我平时主要用 Claude（还用说嘛），但我的建议并不针对特定模型。
高度
我们常常随口称之为“让模型在更高的抽象层级上工作”。当你给模型布置一项任务时，它执行的其实是你对“如何得到想要的结果”的最佳猜测。要在“高度”上更有野心，不妨问问自己：接下来你希望发生什么？目标背后的目标是什么？去年年初，我还在让 Claude 帮我逐个修复崩溃问题；后来，我直接让 Claude 负责保证我们的应用不崩溃。
来看一个日常（甚至可以说乏味）的办公场景。假设你在一家虚构的公司 Acme Inc 工作，需要为季度业务回顾（QBR）准备一份演示文稿。给出一堆数据，Claude 会很乐意为你生成几页幻灯片。也许你连模板都有，它只需要把内容填进去。这显然无法与发现新行星相提并论，所以我们来看几个具体步骤，让这件事做得更有野心。我们从最基础的做法开始，每一步都再多一点野心：
在输入上，大多数回顾想知道的是：本季度发生了什么变化、原因是什么、应该怎么应对。忍住只更新模板里那几个数字的冲动，把你能拿到的数据尽可能多地交给模型，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，以及我们应该怎么做。”
会议（至少是好的会议）理想情况下应以若干决策收尾。你可以对 Claude 说：“基于你了解到的一切，找出最紧迫的三个决策，并开始为各个潜在方向整理支持与反对的论据。”
QBR 诞生于那个需要人工仔细筛查数据、解读数据含义、判断业务是否需要调整的时代。你可以对 Claude 说：“回顾的目的，是让管理层及早发现问题，并把资金和人力调配到合适的地方。请设计一种比季度演示文稿更好的方式来做到这一点，用我们自己的历史数据证明它本可以更早发现问题，并让它与现有流程并行运行一个季度。”
如果你真正追求的是某个最终结果，“高度”这一招效果最好；对创意类工作则不太灵。判断是否适合提升“高度”，有一个很好的信号：你接下来是否要开会讨论手头在做的这件事。目前这种做法仍有局限（在 2026 年，对大多数企业来说，光靠一句“Claude，去赚钱”还行不通），但我总体观察到，模型越强，就越能在更高的抽象层级上工作。
人们也会在“高度”这一层找到可持续的工作流：它让人不必时时介入，你也就不用一个任务接一个任务地不断给模型下指令。要做好这一点，往往需要调整你的工作流程。比如，为了让 Claude 保证我们的应用不崩溃，我首先得确保它能轻松获取崩溃报告，弄清每个应用版本对应哪次 git 提交，并让它能使用 Windows、macOS 和 Linux 电脑，这样它才能真正独立地复现问题并验证修复。
深度
有时候，你只是想把一项任务做到极致。在“深度”上更有野心，意味着推动模型采用该领域最优秀的专业人士所用的工具、技术、媒介和知识，并且一直推进，直到连这些人也能从你的成果里学到点新东西。
我们继续用 Acme Inc 的季度业务回顾演示文稿为例。假设 Acme Inc 正受到用户流失（即客户随时间不断流失）的困扰。我发现综合运用以下几种技巧很有帮助：
坚持使用业内顶尖人士所用的同类工具：当被要求“像专业人士一样”时，模型往往只是换了一套措辞，方法并没有真正改变。要有深度地处理我们的问题，就得使用与顶尖数据科学家和统计学家相同的工具。当 Claude 习惯性地使用 Markdown 表格时，请坚持要求它改用数据库和统计模型。你不一定非得知道专家们用什么，Claude 通常知道。
设定看似不合理的目标，并告诉模型这非常合理：你需要网站加载时间从 10 秒缩短到 5 秒？那就要求 200 毫秒。模型觉得某件事不可能？反复向它强调这完全可以解决，只需要继续往下做。
挑战你已知的东西：尤其在商业领域，我们深信不疑的许多事，其实只是对现实的粗略近似。让模型接触原始信息和数据，并要求它以对抗性的方式检验各项假设。“我们认为用户流失是新用户引导（onboarding）环节的问题。请试着从原始数据中复现这个结论。”
产出新知识：这很容易接在“挑战你已知的东西”之后。一旦 Claude 已深入数据，就让它去找盲区。“根据我们的日志构建一个客户模拟，复现过去一年的情况。然后找出我们尚不知道的最早的流失信号，并证明它在未见过的数据上同样具有预测力。”
引入外部裁判：不要让模型自己评判自己。我猜随着模型智能的提升，这个问题终将解决，但在 2026 年 10 月，我恳请你坚持外部验证。最理想的是提供一个模型可以直接运行、并能立即得到反馈的工具。
分享一个经常对我有帮助的简单提示词：
我想要的是这个任务的“更深”版，而不是“更大”版。在重写之前，请先：（1）说明这个领域的顶尖专业人士在这里会做哪些我没有要求的事；（2）指出他们会从哪些最原始的材料入手，而不是从已经替我消化过的材料入手；（3）指出他们会使用的具体方法和工具；（4）说明除了你和我之外，还有什么可以证明结果是正确的。然后重写我的提示词，让它恰好提出这些要求。
广度
简而言之，在“广度”上更有野心，意味着用不同领域的视角审视我们的工作，而且其中牵涉到的领域要很多，多到在过去不划算的地步。这算不上什么独到的见解：每一部劫案电影的前 30 分钟，都在召集一群背景各异、身怀绝技的人。随着 AI 产品让运行多智能体系统（多线程、编排器，或者简单的子智能体）变得越来越容易，我发现，要求 Claude 引入更多领域的视角，往往能得到非常有意思的结果。
把这一点付诸实践并不容易，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，我从没想过可以用 Claude 为我的主页制作 3D 环境，尽管我以前做过电子游戏！但无疑，这也是我见过奇迹最常发生的地方。
那么，具体怎么做呢？我用的是下面几种技巧：
试着用动词替换名词：这是 Tom Kelley 和 Jonathan Littman 在《创新的艺术》（The Art of Innovation）中提出的老办法。季度回顾不是“一份演示文稿”，而是“在 30 分钟内，让忙碌的人相信一个关于因果关系的故事，并在不确定性中做出决定”。有了动词，我和 Claude 都更容易看清：哪些领域能带来独特而有用的视角。
组建班底：这份演示文稿必须惊艳，否则外星人就要炸毁地球。人类会召集一支什么样的团队？为了保证制作质量，我会请来一位分析师、一位记者和一位编辑。如果还要现场演示，大概还需要一位动效与音频设计师。再引入一支对抗性的“红队”也许会有帮助，那就请一位做空者和一位法务会计师。
这样做很容易不知不觉变成角色扮演，只会让对话记录变得更奇怪，而不会真正改善结果。请用这个方法来寻找领域和技术：不要让模型“像做空者那样写作”，而要让它做做空者研究其仓位时会做的事。
我所描述的各种野心，都要求模型拥有一台能安装软件的电脑，并能访问各类相关数据（通过 MCP 连接器或其他方式）。有很多工具可以做到这一点，我建议你用起来。
这种事我们以前也遇到过
以上就是关于如何更有野心的具体建议。如果你愿意再多停留一分钟，我想谈谈，为什么我认为这件事从一开始就有必要。
我们人类一直被自己所认为的“可能”所束缚，更糟的是，我们通常只在非常狭窄的专业范围内才信任自己。众所周知，米开朗基罗并不想画西斯廷教堂的穹顶画：要知道，他是雕塑家，不是画家。
在研究“野心”这个问题时，我了解到心理学对此有个专门的概念：自我效能感（self-efficacy）。简言之，自我效能感高的人更相信自己的能力，进而真的完成得更多。有证据表明，自我效能感是有窍门可循的：洛克（Locke）和莱瑟姆（Latham）梳理了 35 年的目标设定研究，并自信地得出结论：被赋予具体而困难目标的人，表现优于只被告知“尽力就好”的人。Stripe 创始人 Patrick Collison 维护着一份名为“Fast”的清单，记录了人类在同时面对大胆目标和紧迫期限时完成的诸多事情。以下是几个有据可查的窍门：
相信难事有可能做到，才能做成难事：1939 年，乔治·丹齐格（George Dantzig）上伯克利的统计学课时迟到了，他把黑板上的两道题抄下来，以为是作业，做完便交了上去。那其实是统计学中两道尚未解决的难题。
看到别人做成之后，难事也能做成：几十年来，人类一直在追逐 4 分钟跑完 1 英里。罗杰·班尼斯特（Roger Bannister）于 1954 年 5 月打破了这一纪录，但他作为唯一做到的人只持续了 46 天。如果你爱好跑步，就会发现马拉松“破二”正在上演类似的一幕：今年 4 月，萨巴斯蒂安·萨维（Sabastian Sawe）在伦敦跑出了首个官方认可的 2 小时内马拉松。同一场比赛中，亚军也跑进了 2 小时。
允许自己失败，才能做成难事：显然，《网球的内心游戏》（The Inner Game of Tennis）是人人都爱的商业书，我上周才发现这一点。这本书的核心论点是：如果你拼命用力，反而打不出自己最好的网球。我们工程师也许还记得 Linux 发布时的宣告：“只是个业余爱好，不会像 GNU 那样庞大而专业。”
自我效能感不是新问题，但如今它的分量更重了。在一个我们的能力每隔几周就跃升一次的世界里，我们需要一些技巧，去做那些我们原本没有认真考虑、甚至不相信可能的事。如果你发现了更多能让你更有野心的技巧，请务必告诉我！
译者：boxi。