我们需要“更有野心”地使用AI
原文链接: https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/ 来源: Felix Rieseberg 发现于: 小互 · AI 解读站 · 2026/10/15 说明: 本文由 AIHot 自动聚合,并由 GLM 翻译为中文(保留全部代码与链接)
内容索引
获取完整的内容索引:https://felixrieseberg.com/llms.txt 使用此文件在进一步探索之前发现其他可用的公共页面。
如何更有雄心:给拥有模型的人类的一份教程
- URL: https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/
- 发布日期: 2026-10-13T14:48:44.000Z
- 更新日期: 2026-10-13T14:48:44.000Z
- 作者: Felix Rieseberg
我在 Claude 团队工作。这是一段有趣的经历:每天我都能了解到又一项由 Claude 完成或借助 Claude 完成的壮举,这些成就我之前未曾考虑过、认为不可能实现,或者仅仅是缺乏好奇心和时间去尝试。本月,它可能帮助 发现了一颗新行星,我看到了第一个 我非常喜欢 的 AI 音乐视频,并且我们正在讨论 数学的新纪元。
模型的能力并非均匀增长。正如 Terence Tao 所说,模型“在某些方面令人惊叹,而在其他方面则显得不足”。有些人能够驾驭这些令人惊叹的能力,看起来如鱼得水——看着人们使用我参与构建的产品达到令人难以置信的高度,这种体验令人上瘾。然而,许多人仍在努力让他们的“新翅膀”发挥作用,除了问“法国的首都是什么”或“你能让这封邮件的语气听起来不那么生气吗”之外,他们还在疑惑这些能力还能用来做什么。
我经常(与其他 AI 研究人员一起)宣称,在使用 AI 时,我们应当更有雄心。这已成为一种口号。每当我们看到令人印象深刻的成果时,我们都会转发并写道“我们还不够有雄心”。我理解遵循这一建议有多棘手,因此这里有一份关于如何更有雄心的教程。
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(Speed): 在更短的时间内完成相同的工作,这是 AI 经济价值的核心:如果需要编写一些代码,我会用 Claude 更快地完成。这一点已经非常成熟,且在如何接触 AI 方面不需要太多的创造力,因此我将跳过这一点。
- 高度(Altitude): 提升抽象层级,关注结果而非单个任务。
- 深度(Depth): 以领域领先专家的方式思考任务。我们不仅仅在任务层面操作,而是深入一层,触及底层数据、工具和根本问题。
- 广度(Range): 借鉴多个领域的知识,而不仅仅是任务表面所需的那个领域,使用你通常不会使用的知识、工具和技巧。
我主要使用 Claude(显而易见),但我的建议并不针对特定模型。
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行”。当你给模型一个任务时,它正在执行你对如何获得期望结果的最佳猜测。要在高度上更有雄心,请问自己——接下来你希望发生什么? 目标背后的目标是什么?在去年的年初,我仍然会让 Claude 帮我修复单个崩溃问题。最终,我让 Claude 只是保持我们的应用程序无崩溃状态。
让我们考虑一个日常(甚至可以说是平庸?)的办公任务。你在 Acme Inc(一家虚构的公司)工作,需要为季度业务评审(QBR)准备一份演示文稿。给定一堆数据,Claude 会很乐意为你制作一些幻灯片。也许你甚至有一个模板,只需要填充它。这远不及发现新行星那么了不起,所以让我们看看一些具体的步骤,使我们的方法更有雄心。我们将从基础开始,每一步都稍微增加一点雄心:
- 作为输入,大多数评审想知道本季度发生了什么变化、原因是什么以及应该如何应对。抵制仅仅更新模板中数字的冲动——将你能获取的所有数据尽可能多地提供给模型,以便它理解你的业务:“告诉我本季度发生了什么变化、原因是什么以及我们应该如何应对。”
- 会议(好的那种,无论如何)理想情况下应以一些决策结束。询问 Claude:“根据你所学到的一切,找出最紧迫的三个决策,并开始探讨潜在的方向,列出支持与反对的理由。”
- QBR 源于这样一个时代:良好的评审需要人类仔细筛选数据,弄清楚数据的含义,以及业务是否应该进行调整。询问 Claude:“评审的存在是为了让领导层尽早发现问题,并将资金和人员调动到正确的地方。设计一种比季度演示文稿更好的方法,从我们自己的历史数据中证明它会更早发现问题,并将其与当前方法并行运行一个季度。”
高度(Altitude)方法在你真正追求某种终极结果时效果最佳;但在创造性工作中效果较差。一个很好的迹象表明,在高度上保持雄心壮志是明智的,那就是你将召开会议来讨论你正在处理的事项。目前存在限制(“Claude,去赚钱”在 2026 年通常无法单独适用于大多数业务),但我通常观察到,随着模型能力的增强,它们似乎能够在更高层次的抽象上运作。
高度也是人们找到持久工作流的地方,这些工作流将人类排除在循环之外,从而减少了你不断向模型更新任务的需求。要做好这一点通常涉及改变你的工作流——为了确保 Claude 保证我们的应用无崩溃,我首先必须确保它可以轻松获取崩溃报告,理解哪个应用版本对应哪个 git commit,并赋予它访问 Windows、macOS 和 Linux 计算机的权限,以便它实际上能够独立复现和验证修复方案。
深度(Depth)
有时,你只是希望一项任务被极好地执行。在深度上保持雄心壮志意味着推动模型使用该领域最佳专业人士所采用的工具、技术、媒体和知识——并持续推动,直到即使那些专业人士也可能从你的工作中获得新启示。
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 在用户流失(随时间推移的客户流失)方面存在困难。我发现以下技术的组合很有用:
- 坚持使用行业最佳实践者使用的相同工具: 当提示模型扮演专业人士时,它们通常会切换词汇,但并未真正切换方法。为了在深度上解决我们的问题,我们需要使用与最佳数据科学家和统计学家相同的工具。当 Claude 试图使用 markdown 表格时,坚持使用数据库和统计模型。你不必一定知道专家使用什么,Claude 通常知道。
- 设定不切实际的目标,并告诉模型这些目标非常合理: 你需要网站在 5 秒内加载而不是 10 秒?要求 200 毫秒。如果某事对模型来说似乎不可能?重申它完全可以解决,它只需要继续前进。
- 挑战你所知的: 尤其是在商业领域,我们认为真实的事物往往是对现实的粗略近似。让模型访问原始信息和数据,并要求它以对抗方式检查假设。“我们认为流失是一个入职问题。尝试从原始数据中复现这一点。”
- 产生新知识: 这很容易附加在挑战你所知之上——一旦 Claude 深入数据内部,要求它寻找盲点。“构建我们客户的模拟,从我们的日志中复现过去一年。然后找出我们尚未知道的早期流失信号,并展示它在未见过数据上的预测。”
- 使用外部评判者: 不要让模型评判自己。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,我恳请你坚持外部验证。理想情况下,那是模型可以运行的工具,以立即获得反馈。
一个通常对我有帮助的简单提示:
我想要这个任务的更深版本,而不是更大版本。在重写之前:(1) 说明该领域的顶级专业人士会做什么,而我却没有要求;(2) 指出他们将从最原始的素材开始,而不是我已经消化过的内容;(3) 指出他们将使用的具体方法和工具;(4) 说明除了你或我之外,还有什么能证明结果是正确的。然后重写我的提示,以要求 exactly 这些内容。
范围(Range)
简而言之,在范围上保持雄心壮志意味着我们从不同领域的角度考虑我们的工作——比过去在经济上可行的领域更多。这并不是一个特别独特的见解,每部劫案电影的前 30 分钟都在组建一个多样化的角色和人才阵容。随着 AI 产品使运行多智能体系统(具有多个线程、编排器或仅仅是子智能体)变得越来越容易,我看到通过敦促 Claude 引入额外领域而产生了非常有趣的结果。
将这一理念付诸实践并不容易;它需要你有创造力。直到我看到同事 Alex Albert 使用 Blender 渲染室内设计,我才想到可以用 Claude 来构建我的主页的 3D 环境——尽管我之前制作过电子游戏!然而,正是在这里,我看到了最神奇的魔法发生。
那么,我们该怎么做呢?我使用以下技巧:
- 尝试用动词替换名词: 这是 Tom Kelley 和 Jonathan Littman 在《创新的艺术》(The Art of Innovation)中提出的一个老技巧。季度审查不是“一个 PPT 演示文稿”,而是“在 30 分钟内,让忙碌的人相信一个关于因果的故事,并在不确定性下做出决策”。拥有动词能让我和 Claude 更容易理解哪些领域可能会带来独特且有价值的视角。
- 组建团队: 演示文稿必须精彩,否则外星人会炸毁地球。人类会组建什么样的团队?为了达到制作水准,我会邀请一位分析师、一位记者和一位编辑。如果需要演示,可能还需要一位动态和音频设计师。聘请对抗性的“红队”可能也有用,所以让我们再邀请一位空头交易者和一位法务会计师。
很容易不小心陷入角色扮演,这会让你的提示词变得更奇怪,而不会改善实际结果。使用这种方法来寻找领域和技术。不要要求模型写一个空头交易者,而是要求它做空头交易者做的事情来研究其立场。
我描述抱负的所有方式都要求模型拥有一台能够安装软件并访问各种相关数据的计算机(无论是使用 MCP 连接器还是其他方式)。有很多工具可以实现这一点,我建议你使用其中一个。
我们以前经历过
这就是我关于如何更有抱负的具体建议。如果你愿意花一分钟时间,我想告诉你为什么我认为这在最初就是必要的。
人类一直受到我们 believed 可能性的限制——更糟糕的是,我们通常只在非常狭窄的学科中信任自己。米开朗基罗 famously 不想绘制西斯廷教堂——你看,他是一位雕塑家,而不是画家。
在研究抱负问题时,我了解到心理学有一个专门的术语:自我效能感。简而言之,自我效能感高的人更相信自己的能力,从而实际上取得了更多的成就。有证据表明自我效能感是可以被“黑客”破解的:Locke 和 Latham 仔细研究了 35 年的目标设定研究,自信地宣称,那些被赋予具体困难目标的人 比那些仅仅被告知尽力而为的人表现更好。Stripe 创始人 Patrick Collison 维护着一个 “Fast” 列表,记录了人类在同时获得大胆目标和紧迫截止日期时完成的许多事情。一些有据可查的“黑客”技巧包括:
- 通过相信它们是可能的来完成困难的事情: 1939 年,George Dantzig 迟到了伯克利的一堂统计课,他从黑板上抄下了两个问题,并提交了答案,以为那是家庭作业。那是两个未解决的统计学难题。
- 在观看别人完成困难事情后完成困难的事情: 几十年来,人类一直在追逐四分钟一英里的纪录。Roger Bannister 在 1954 年 5 月打破了这一纪录,但他在接下来的 46 天里仍然是唯一做到这一点的人类。如果你喜欢跑步,我们会看到类似的事情发生在两小时马拉松上:Sabastian Sawe 在今年四月的伦敦跑出了第一个正式的两小时以内马拉松。在同一场比赛中,亚军也打破了两小时大关。
- 通过允许自己失败来完成困难的事情: 显然,每个人最喜欢的商业书籍是《网球的内在游戏》(The Inner Game of Tennis),我上周才偶然发现这本书。这本书的核心论点是,如果你非常非常努力地打球,你就不是在打出最好的网球。我们工程师可能还记得 Linux,它最初被宣布为“只是一个爱好,不会像 gnu 那样庞大和专业”。
自我效能感并非一个新问题,但如今它显得更为重要。在一个我们的能力每几周就能实现飞跃的世界里,我们需要一些技巧,去实现那些我们未曾考虑或认为不可能的事情。如果你发现了能让自己更加雄心勃勃的技巧,请告诉我!
本文的配图来自 弗朗西斯科·戈雅 的作品《飞行方式》(Modo de volar)。