Claude 团队 Felix Rieseberg 分享如何更有雄心地用 AI

来自 Claude 团队 @felixrieseberg 的分享，他认为：AI 能力已经跑在人的想象力前面，真正的瓶颈不是模型不行，而是人不敢要。他把如何“更有雄心”的用 AI 拆解成一套可操作的方法论！ https://t.co/6ORnVZ03bx

“更有雄心”的四种类型 · 速度：同样的工作用更少时间（略过） · 高度：向上抽象，关注结果而非任务 · 深度：像领域顶尖专家那样工作 · 广度：调动任务表面不需要的多个领域

# 高度：问“你到底想让它发生什么”

关键动作是追问目标背后的目标。作者的实例：从“让 Claude 修这个崩溃”上升到“让应用保持无崩溃”。用一个季度业务回顾（QBR）的例子层层推进： 1. 把原始数据全部喂给模型，问“变了什么、为什么、怎么办”； 2. 让它找出三个最紧迫的决策，并起草正反两方论证； 3. 挑战任务的形式本身，既然 QBR 存在的目的是让管理层早点发现问题、调配资源，那就让模型设计一个更好的机制，用历史数据验证，与现行流程并行运行。

第三层是精髓：最高的高度不是“把这件事做得更好”，是“质疑这件事是否该以这种形式存在”。判断信号很实用：如果这项工作的产出还需要开会讨论，说明它还没有升到足够的高度。真正到位的高度会产生“人可以退出循环”的持久工作流，但这反过来要求你改造自己的系统（日志访问权限、版本-提交映射、可复现环境）。

# 深度：逼模型用顶级专业工具，而不是“换了词汇的业余方法”

全文技术含量最高的部分。核心洞察是：模型可能换了术语却没换方法论，说着一口“数据分析”的话，实际还在用 markdown 表格这种玩具。五项技术：

1. 坚持专业工具：要求真数据库、真统计模型，而不是中间格式； 2. 定“不讲理”的目标并称之为合理：要 200ms 而不是 5 秒，坚持问题可解； 3. 对抗性验证自己的假设：不给结论，给原始数据，让模型试图推翻你的信念（“我们认为流失是新手引导问题，请试着复现这个结论”）； 4. 生产新知识：从日志构建客户行为仿真，寻找最早的未知流失信号，并在未见数据上验证； 5. 永远用外部裁判：模型不能自己给自己打分，必须有独立、最好是即时反馈的验证机制。

他还给了一个元技巧（prompt 模板）：让模型先回答“顶尖专业人士会怎么做、最原始的材料是什么、用什么方法、怎么外部验证”，然后据此重写你的 prompt；用模型来升级你向模型提要求的方式。

# 广度：把名词还原成动词

借用《The Art of Innovation》的方法：把名词替换成动词。一份“回顾 PPT”的真实本质是“让忙碌的人在 30 分钟内相信一个因果故事、并在不确定下做出决策”，这个还原会立刻暴露出哪些领域本来相关但从未被请进来（分析、新闻、编辑、动效设计，甚至做空者和法务会计这类对抗性角色）。

一个重要警告：不要滑向角色扮演。要求模型“做做空者所做的事”（真的去找反例、算账），而不是“以做空者的口吻写一篇文章”。前者是工作，后者是修辞。

贯穿三种雄心的物质前提：给模型一台电脑、装软件的能力和数据访问权（如 MCP）。没有执行力的雄心只是作文。