更有野心地使用 AI：从加速任务到重定义问题
本文依据sleepy 的 X 帖子整理，并对照其引用的 Felix Rieseberg 原文《How to be more ambitious: A tutorial for humans with models》核对。本文区分 Felix 的原文框架、sleepy 的二次解读和编辑建议；其中案例是方法示例，不是任何组织或模型能力的保证。
很多人已经会让 AI 写代码、做 PPT、总结数据和同时推进多个任务，但工作目标本身仍然沿用过去十年的习惯。结果是流程变快了，问题却没有变大：季度经营汇报仍然只是做一份 PPT，工程协作仍然是一次修一个崩溃，研究仍然只是把已经整理好的材料换一种表达。
sleepy 转述 Felix Rieseberg 的观点：真正“更有野心”地使用 AI，不是给同一个任务加更多提示词，也不是让 Agent 数量不断增加，而是重新审视你到底想要什么结果、专家会如何做、还能引入哪些学科，以及谁能在模型之外验证答案。
四个维度：速度、抽象层级、深度与范围
Felix 在原文中把 ambition 分成四个方向：
| 维度 | 核心问题 | 常见变化 |
|---|---|---|
| 速度 Speed | 同样的结果能否更快得到？ | 让 AI 加速写代码、整理材料和生成初稿 |
| 抽象层级 Altitude | 任务背后的最终结果是什么？ | 从“做一份 PPT”上升到“帮助管理层更早发现问题并分配资源” |
| 深度 Depth | 顶尖专业人士会如何完成这件事？ | 使用原始数据、专业工具、领域方法和可检验模型 |
| 范围 Range | 哪些其他学科能提供有用的方法？ | 把记者、数据科学家、编辑、法务会计等研究视角引入同一个问题 |
速度是最容易理解的一层，也是多数 AI 工作流已经在做的事情。它仍然有价值，但如果只停留在速度，AI 往往只是给旧流程换了一台更快的发动机。
一、从交付物上升到目标
Felix 使用季度经营汇报作为例子。最基础的用法，是把数据填进模板，让 Claude 生成一份演示文稿。更高一层的提问应该依次追问：这个季度发生了什么，原因是什么，管理层需要做哪些决定，以及这套机制能不能比季度会议更早发现问题。
这会带来三个明显变化：
- 输入从模板字段变成业务证据。 不只给本季度的几个数字，还要提供历史数据、关键事件、客户变化、资源投入和已有结论，让模型有机会发现表面指标背后的原因。
- 输出从页面变成决策。 先找出最值得管理层讨论的几个决定，再分析每个决定的支持证据、风险、成本和反例，而不是先排版一组漂亮的页面。
- 流程从一次会议变成可检验机制。 如果季度汇报的目标是尽早发现问题和合理调配人力、预算，就可以让 AI 设计一个替代机制，用历史数据回放检验它是否更早发出信号，再与原有流程并行运行一段时间。
这里的关键不是“永远不要做 PPT”。PPT 仍然可能是沟通结果，只是它不应当被误认为最终目标。先确定要改变什么，再决定是否需要 PPT、仪表盘、预警系统、实验报告或其他交付形式。
二、从修复一次故障到持续保持稳定
Felix 在原文中描述了自己的工作变化：早期是让 Claude 修复一个软件崩溃，后来变成让它持续帮助应用保持稳定。后一个目标要求系统具备更完整的反馈闭环：
- 能读取崩溃报告和日志；
- 能把应用版本对应到代码提交；
- 能在不同操作系统环境中重现问题；
- 能运行测试、验证修复并回收结果；
- 能把已知问题、回归风险和未覆盖环境记录下来。
这不是一句更长的提示词就能解决的事情，而是工作系统的重新设计。模型必须获得足够的上下文和工具，任务也必须有清晰的通过条件。与此同时，日志、源代码和测试环境都可能包含敏感信息，权限应按任务需要最小化，执行过程要可审计，不能因为“持续维护”就授予无限制的生产权限。
一个可控的推进顺序是：先让 AI 只读分析，再让它生成复现步骤和补丁，接着在隔离环境运行测试，最后由人工或独立检查系统决定是否合并。目标可以更大，权限和发布边界仍然要清楚。
三、深度不是把答案写得更长
Felix 对 depth 的解释很实用：让模型真正使用行业顶尖专家会用的原始材料、工具和方法，而不是只模仿专家的语气。
例如分析客户流失时，浅层做法可能是把整理好的表格交给模型，让它输出一份原因总结。更深的工作会继续追问：
- 数据科学家会从哪些原始记录开始？
- 哪些假设需要用统计方法或实验设计重新检验？
- 哪些结论只是相关性，哪些有机会被未见数据复现？
- 能否建立一个模拟，重现过去一年的行为，并找到此前没有注意到的最早信号？
- 除了模型和提问者，谁或什么工具可以判断结论是否正确？
深度还包括主动挑战既有判断。比如团队认为流失主要是入门流程造成的，可以要求 AI 回到原始数据，尝试复现这个判断，并寻找支持它或推翻它的证据。目标不是让模型坚持一个预设答案，而是让它面对更接近现实的材料。
一个可复用的深度提示词
我想要这个任务的更深版本，而不是更大的版本。
在重写任务前，请先回答：
1. 这个领域的顶尖专业人士会做什么，而我还没有要求？
2. 他们会从哪些最原始的材料开始，而不是已经被整理过的摘要？
3. 他们会使用哪些具体方法、工具和检验步骤？
4. 除了你和我之外，什么证据或独立系统可以说明结果是正确的？
然后把原任务重写成可以执行和验收的版本。
“更深”不等于“更长”。如果只是增加段落、表格和术语，却没有引入更好的数据、方法和验证，输出只是变大了，并没有变深。
四、范围：把跨学科协作变成常规工具
复杂问题往往不是单一专业的问题。Felix 建议先把名词改写成动作，再思考需要哪些角色。
例如，“季度经营汇报”可以改写成：让一群很忙的人在有限时间内理解因果关系，并在不确定性下做出资源决策。这样一来，参与者就不必只有“做 PPT 的人”：
| 视角 | 可以补充什么 |
|---|---|
| 数据分析师 | 指标定义、样本偏差、统计检验和预测边界 |
| 记者 | 追问证据来源、时间线和利益相关方叙述 |
| 编辑 | 组织故事、删掉无关信息、让结论易于复核 |
| 动效或音频设计师 | 在需要演示或培训时改善信息呈现 |
| 反方研究者 | 寻找反例、脆弱假设和可能误导管理层的地方 |
| 法务会计 | 核对财务口径、异常交易和账目之间的矛盾 |
这些角色的价值不是让模型进行角色扮演，而是让它调用不同领域的研究方法。不要只要求“用做空者的语气写一份报告”，而应要求它执行做空者会进行的证据核查、反事实分析和风险追踪。
范围也不意味着无休止地增加 Agent。每引入一个视角，都应回答它解决了什么盲点、需要哪些数据、如何验证输出，以及增加的成本是否值得。少数真正互补的方法，通常比十几个没有边界的角色更有用。
五、把“更有野心”落成一个可验证的流程
可以把一次工作从旧交付物开始，按下面的顺序重写：
1. 写出目标之后的目标
不要停在“生成报告”“修复 bug”“做一套方案”。补上一句：这份结果将支持谁做什么决定？它要提前发现什么问题？成功后哪个指标或行为会改变？
2. 让模型列出它需要的原始材料
把已经摘要过的内容和原始证据区分开。包括日志、代码提交、实验记录、客户事件、原始访谈、财务明细、测试环境和失败样本。缺少关键材料时，让模型明确列出缺口，而不是用常识填空。
3. 指定专业方法与工具
要求模型说明它会使用什么数据库查询、统计方法、测试、仿真、抓包、可视化或检索步骤。必要时先让它给出计划和工具权限清单，再开始执行。
4. 设计外部验证
验证者可以是未参与生成的测试套件、历史回放、未见数据、独立模型、领域专家或真实用户实验。不要只让同一个模型在同一个上下文里给自己打分。
5. 设定并行试运行
新机制先与旧流程并行运行一段时间，比较提前量、准确率、误报、漏报、人工复核时间和实际决策质量。没有对照组的“看起来不错”，很难说明流程真的改善了。
6. 记录权限和停止条件
明确模型能读什么、写什么、执行什么；遇到高风险操作、证据冲突、敏感数据或无法验证的结论时停止并升级。目标越大，越需要清楚的权限和回滚边界。
六、几个常见误区
把更大的任务误认为更有野心
“写一份更长的报告”不是“重新设计决策机制”。规模增加不代表目标、方法和验证发生变化。
把角色名当成专业方法
让模型扮演专家，可能只会带来更多术语。应要求它使用该领域的原始材料、工具、工作步骤和验收标准。
把多 Agent 数量当成系统能力
多个 Agent 如果共享同一份不完整资料、没有分工和独立验证，只会更快地产生相互引用的错误。先定义互补角色和交接格式，再决定是否需要并行执行。
让模型自己证明自己正确
模型可以提出验证方案，但最终证据应来自上下文之外的检查。外部验证不是对模型的不信任，而是把“生成”和“判断”拆成两个不同职责。
只追求大胆，不设置边界
更大的目标不能成为读取无关个人数据、修改生产系统或绕过审批的理由。大胆应该体现在问题定义和方法选择上，执行仍需遵循最小权限、可回滚和可审计原则。
结语：先改变问题，再增加产能
AI 让个人可以同时推进更多工作，但这并不自动改变工作的价值。真正值得练习的能力，是发现旧交付物只是某个历史阶段的解决方案，然后重新问一遍：我们真正要达成的结果是什么？如果重新设计流程，哪些数据、工具和学科会被纳入？什么证据可以证明新方法比旧方法更早、更准或更有用？
从“做一份更快、更漂亮的 PPT”走向“帮助组织更早发现问题并做出更好的决定”，中间隔着的不是更强的文案能力，而是目标、工具、权限和验证机制的变化。这也是“更有野心地使用 AI”最值得落地的部分。
来源与核验
- sleepy 的 X 帖子，发布于 2026-10-15，正文完整可读取。
- Felix Rieseberg 的引用 X 帖子，发布于 2026-10-13。
- How to be more ambitious: A tutorial for humans with models，Felix Rieseberg，发布于 2026-10-13；本文使用其公开正文核对四个维度和案例。
本文是基于公开来源的结构化整理，不代表 Anthropic、Claude 或 Felix Rieseberg 对本文编辑建议的背书。具体模型能力、工具权限和产品状态会变化，涉及真实数据与生产系统时应先完成权限、隐私、安全和独立验证评估。