结论先行
野心分四种——Speed(速度)、Altitude(高度)、Depth(深度)、Range(广度)。Speed 已成熟、无需创造力;真正拉开差距的是后三者。
Altitude 往上抽象、追结果而非任务;Depth 往下钻、像领域顶尖专家那样做;Range 跨领域借力。每条路径都配了可复用的提问技巧。
自我效能(self-efficacy)可以被"黑":相信能做成、看别人做成、允许自己失败——这是跨越"野心鸿沟"的心理杠杆。
一、模型能力不均匀增长,野心是被低估的杠杆
Felix 在 Claude 团队工作,每天都会看到又一个"之前没想过、以为不可能"的壮举——这个月,Claude 可能帮助业余天文学家发现了一颗新行星,出现了第一支他真心喜欢的 AI 音乐视频,人们还在讨论陶哲轩所说的"数学 2.0"新纪元。
问题在于:一部分人驾驭了那些"惊人"的能力、看起来在飞翔;但更多人还在挣扎,不知道模型除了"法国的首都是哪""把邮件改得不那么凶"还能干什么。于是"我们不够有野心"成了 AI 圈的口号——每次看到惊艳的东西就转发并配上一句"we're not ambitious enough"。可这句口号很难执行,所以 Felix 写了这份教程。
他把野心分成四型:
同样的工作花更少时间——AI 经济价值的基本盘。已非常成熟、几乎不需要创造力,故本文跳过。
往抽象上层走,考虑"结果"而非"单个任务"。问自己:目标背后的目标是什么?
像领域顶尖专家那样考虑任务,往下钻一层,触及底层的工具、数据和问题。
从多个领域而非表面需要的单一领域出发,借用你通常不会用的知识、工具和技巧。
二、Altitude:往上抽象,追"结果"而非"任务"
人们常把它轻描淡写地叫作"让模型在更高抽象层运作"。当你给模型一个任务时,它执行的是"你对如何达成目标的最佳猜测"。要在高度上有野心,就问自己:你接下来想要发生什么?目标背后的目标是什么?
Felix 自己的例子:去年初他还在让 Claude 修单个崩溃;后来他直接让 Claude"让我们的应用保持不崩溃"。
回到一个日常(甚至庸常)的办公室任务——Acme 公司要做季度业务评审(QBR)的幻灯片。Claude 会很乐意帮你填模板、做几页 PPT。但那离"发现新行星"还差得远。他给出三步递进、越来越有野心的做法:
| 层级 | 做法 | 关键提示词 |
|---|---|---|
| 1. 给足上下文 | 不要只更新模板里的数字,把能拿到的所有数据都丢给模型,让它理解你的生意 | "告诉我这个季度什么变了、为什么、我们该怎么做。" |
| 2. 追问决策 | 好会议以决策收尾——让模型直接把最紧急的决策推出来 | "面对你学到的一切,哪三个决策最紧急?给出各自的方向与正反论证。" |
| 3. 重构流程本身 | QBR 本是"人肉筛数据、找问题、调资源"时代的产物,直接让模型设计一个更好的机制 | "评审的意义是让管理层及早发现问题、把人和钱放到对的地方。设计一个比季度汇报更好的机制,用我们的历史证明它本可更早发现问题,并与现有机制并行跑一个季度。" |
判断标准:如果你做的东西要开会讨论,那"高度"野心通常是对的;但对创意类工作,效果会差一些。也有现实局限——"Claude,去赚钱"在 2026 年对多数生意还不行。但总体看,模型越强,越能在更高的抽象层运作。
更重要的是,高度野心是"把人类移出循环的持久工作流"的入口。它往往要求你先改造自己的工作流——Felix 为了"让 Claude 保证应用不崩溃",得先让它能取到崩溃报告、搞清楚哪个应用版本对应哪个 git commit、并给它 Windows/macOS/Linux 机器让它能独立复现和验证修复。
三、Depth:往下钻,像领域顶尖专家那样做
有时你只想把一件事做得极好。在深度上有野心,就是逼模型用领域内最顶尖专业人士所用的工具、技巧、媒介和知识——并且持续逼下去,直到连那些人也能从你的成果里学到新东西。
仍以 QBR 为例,假设 Acme 正被用户流失(churn)困扰,Felix 给出五种技巧:
- 坚持用业界最好的工具:让模型"表现得像专家"时,它常常只换了词汇、没换方法。要真正有深度,就用顶级数据科学家和统计学家用的工具——当 Claude 想用 markdown 表格时,坚持要数据库和统计模型。你未必需要知道专家用什么,Claude 通常知道。
- 定"不合理"的目标,并告诉模型"这非常合理":网站要从 10s 优化到 5s?直接要 200ms。模型觉得不可能?重申"这完全可以解,继续"。
- 挑战你已知的东西:尤其在商业里,很多我们信以为真的东西只是现实的粗糙近似。把原始信息交给模型,让它对抗性地检查假设——"我们以为流失是 onboarding 的问题,试着用原始数据把它复现出来。"
- 产出新知识:在模型已深入数据之后,让它找盲点——"建一个客户仿真,用日志复现过去一年,找到我们还不了解的最早流失信号,并证明它能在未见过的数据上预测。"
- 用外部裁判:绝不要让模型自我评判。到 2026 年 10 月为止,作者恳请你坚持外部验证——理想情况是一个模型能运行、能立即反馈的工具。
他常挂嘴边的"深度升级"提示词(可复用):
四、Range:跨领域借力
在广度上有野心,就是从不同领域的视角考虑工作——比过去更"不经济"地引入更多领域。这不算独到见解,每部劫盗电影前 30 分钟都在"组建一支各怀绝技的队伍"。随着 AI 让多智能体系统(多线程、编排器或子代理)越来越容易跑起来,Felix 看到最有魔力的结果往往来自"逼 Claude 引入额外领域"。
两条技巧:
一个让他开眼的例子:同事 Alex Albert 用 Blender 渲染室内设计——他从没想过用 Claude 做 3D 环境,尽管自己以前就做过游戏。
五、前置条件:给模型一台"电脑"
所有野心路径都有一个共同前提:模型要有一台能装软件、能接触各种相关数据的"电脑"——通过 MCP connector 或其他方式。很多工具能做到,作者建议你用起来。
六、我们早就来过这里:自我效能与野心的心理学
为什么"更有野心"这件事本身如此必要?因为人类一直被"相信什么可能"所束缚——更糟的是,我们通常只在极窄的领域里信任自己。米开朗基罗当年就不想画西斯廷教堂:他是雕塑家,不是画家。
心理学为这种现象命名:自我效能(self-efficacy)——高自我效能的人更相信自己的能力,也确实成就更多。而且有证据表明它可以被"黑":Locke 与 Latham 梳理了 35 年的目标设定研究,斩钉截铁地得出——被给到具体且困难目标的人,表现优于被要求"尽力而为"的人。Stripe 创始人 Patrick Collison 还维护着一份 "Fast" 清单,记录人类在"大胆目标 + 紧迫期限"下完成的种种壮举。
三个被充分记录的心理"黑"法:
1939 年,George Dantzig 上课迟到,抄下黑板上的两道题当作业交了上去——那其实是两个未解的统计学难题。
人类追了几十年"四分钟英里",Roger Bannister 1954 年打破后,仅仅 46 天就有人重复。两小时马拉松正在重演:今年 4 月 Sabastian Sawe 跑进 2 小时,同一场亚军也破了 2 小时。
《网球的内心游戏》的核心论点是:拼命努力反而打不出最好的球。Linux 诞生时也只是"一个爱好,不会像 GNU 那样大而专业"。
最终判断
这篇教程的价值,是把一句空洞的口号"we're not ambitious enough"落成了可操作的方法论:
- 用 Altitude 往上抽象,把任务升级成"结果背后的结果",进而把人类移出循环;
- 用 Depth 往下钻,坚持领域顶尖的工具、定不合理的目标、挑战假设、产出新知识、引入外部裁判;
- 用 Range 跨领域,把名词换成动词、组建虚拟专家团队;
- 再用 自我效能 的三个心理杠杆——相信能成、看别人成、允许失败——来跨越那条"不相信可能"的鸿沟。
一句话:野心不是性格,而是可以被训练、被工程化、被提示出来的能力。