「大家用AI都太保守了！」Claude Code 負責人：我的方法更有野心

作者：QbitAI

設定一些不合理的目標，然後告訴模型：這非常合理！

這是Claude Code桌面版負責人Felix Rieseberg分享的一個AI使用小技巧。

具體怎麼做？

假設你想把網站加載時間從10秒壓縮到5秒，他建議：直接把目標定到0.2秒 。

模型說做不到？那就繼續告訴它：這個問題完全可以解決，再試試再試試。

在Felix看來，我們給AI布置任務，還可以更大膽一點。

他還分享了一個小技巧：把任務裡的名詞換成動詞。

比如，原本的任務是「做一份匯報PPT」，可以重新表述成：

在30分鐘內，讓一群忙碌的人信服你對事情前因後果的解釋，並在情況尚不明朗時作出決策。

除了故意把目標定得激進，他還給出了幾種具體做法：

• 別只讓AI「像專家一樣思考」。接著追問：真正的專家會看哪些原始資料、使用什麼工具、採用什麼方法，再把這些要求寫進任務裡。

• 別把自己的判斷直接當成答案。把它交給AI檢驗，讓AI回到原始材料中，尋找支持它的證據，以及可能推翻它的反例。

• 別讓AI自己給自己打分。代碼就實際運行，預測結果就用新的數據檢驗，最終讓真實結果說話。

以下是Felix使（調）用（教）Claude的詳細教程，經潤色。

Enjoy～

使用AI，我們還能更有野心

我在Claude團隊工作。

這份工作很有意思的地方在於：幾乎每天我都會得知，又有一件事借助Claude完成了------甚至是由Claude獨立完成的。

有些事我壓根沒想過，有些我原本覺得不可能；還有一些，只是我自己既沒那麼好奇，也沒抽出時間去嘗試。

就在這個月，Claude可能協助發現了一顆新行星；我看到了第一支真正讓我喜歡的AI音樂視頻；我們甚至開始討論，數學的新时代是否正在到來。

模型的各項能力並不會齊頭並進。正如陶哲軒所說，它們「在某些方向上令人驚嘆，在另一些方向上卻仍有不足」。

有些人已經學會駕馭模型那些驚人的能力，彷彿真的飛了起來。看著他們借助我親手打造的產品抵達那樣的高度，著實讓人著迷。

更多人還在摸索，怎麼用好這雙新長出來的翅膀。他們仍在琢磨：除了回答「法國的首都是哪裡」，或者「能不能把這封郵件的語氣改得溫和一點」，AI還能做什麼？

我和許多AI從業者常把一句話掛在嘴邊：用AI，應該更有野心一點。

這句話幾乎成了我們的行動口號。每當看到令人驚嘆的成果，我們就會轉發，再配上一句：「我們還不夠有野心。」

我也知道，這話說起來容易，真要照做卻很難。所以，這裡有一份關於「如何更有野心」的教程。

我把野心分為四類：速度、高度、深度和廣度 。

△AI生成

速度：用更少的時間完成同樣的工作。這是AI創造經濟價值最基本的方式。

比如，同樣是寫一段代碼，有Claude幫忙，我可以更快完成。這種用法已經相當成熟，也不太需要琢磨更複雜的使用方式，所以這裡先略過。

高度：提高任務的抽象層次，關注最終想實現的結果，而不是一個個具體任務。

深度：像頂尖專家一樣思考任務，進一步深入底層的數據、工具和問題。

廣度：從多個領域尋找解決問題的思路，把平時不會接觸的知識、工具和方法也用起來。

雖然我主要使用Claude，但這些建議並不針對某個特定模型。

高度：讓模型在更高的抽象層次上工作

我們常把這種做法隨口稱為「讓模型在更高的抽象層次上工作」。當你給模型下達任務時，它其實是在執行你對如何達成預期結果的最優設想。

若想站在更高的維度思考，不妨問問自己------接下來，你希望發生什麼？目標背後的目標，又是什麼？

去年年初，我還讓Claude幫我修復單個程序崩潰問題，後來，我直接要求它確保我們的應用始終保持無崩潰運行。

來看一個日常辦公任務（恕我直言，甚至有點枯燥）。

假設你在Acme公司，需要為季度業務復盤（QBR）準備一份PPT。給Claude一堆數據，它會很樂意幫你做出來；也許你已經有了模板，它只需要把內容填進去。

這和發現一顆新行星實在沒法比。但同樣是做一份季度匯報，我們還能讓AI做到什麼？可以從最基礎的要求開始，一步步提高野心：

△AI生成

第一步，讓它理解業務發生了什麼。

大多數復盤需要回答的是這幾個問題：這個季度發生了什麼變化？為什麼？接下來應該怎麼辦？

如果你只想更新模板裡的數字，請克制這種衝動------盡可能把能弄到手的數據都交給模型，讓它真正理解你的業務，然後問它：

告訴我，這個季度發生了什麼變化，為什麼會發生，以及我們應該採取什麼行動。

第二步，讓它找出需要作出的決策。

一場會議------至少是一場好會議------理想情況下應該以某些決策收尾。可以這樣問Claude：

根據你了解到的所有情況，判斷眼下最迫切的三項決策是什麼，並針對可能的行動方向展開分析，分別列出支持和反對的理由。

第三步，讓它重新設計這套工作機制。

放在以前，要做好一次季度業務復盤，人類必須仔細篩選數據，理解數據的含義，再判斷業務是否需要調整。

現在，可以試著問Claude：

復盤存在的意義，是讓管理層盡早發現問題，並把資金和人員配置到合適的地方。

請設計一種比季度PPT更好的實現方式，用我們自己的歷史數據證明它本可以更早發現哪些問題，然後讓它與現有方法並行運行一個季度。

當你確實在追求某個最終結果時，提高目標層次的方法最有效；但對於創作類任務，它的適用性相對有限。

一個很好的判斷信號是：如果你正在做的事情之後還需要開會討論，那麼就值得把目標再往上提一層。

當然，目前仍然存在局限------至少在2026年，對大多數企業來說，只說一句「Claude，去賺錢吧」，似乎還沒法讓事情自動運轉起來。

不過，我總體的觀察是：隨著能力增強，模型似乎越來越能在更高的抽象層次上工作。

提高目標層次，還能幫助人們找到可持續運行、無需人類持續介入的工作流，讓你不必一項接一項地向模型派發新任務。

要做好這件事，往往需要改變現有工作流程。

比如，為了讓Claude確保我們的應用不崩潰，我得先讓它能方便地獲取崩潰報告，理解每個應用版本對應哪次Git提交，並賦予它訪問Windows、macOS和Linux電腦的權限。這樣，它才能真正獨立地復現問題，並驗證修復是否有效。

深度：用頂尖專家的方法，把問題做透

有時，你只是希望一項任務能完成得特別好。

在「深度」上更有野心，就是推動模型使用這個領域最優秀的專業人士所採用的工具、技術、媒介和知識，並且不斷加碼------直到連這些專家，也可能從你的成果裡學到新東西。

繼續看Acme公司的季度業務復盤。假設這家公司正面臨用戶流失的問題，也就是客戶隨著時間推移不斷離開。

我發現，下面幾種方法結合起來使用很有幫助：

△AI生成

堅持使用行業頂尖人士所用的工具

當你要求模型「像專業人士一樣工作」時，它往往只是換了一套專業詞彙，實際方法卻沒有變。

要真正深入地研究問題，就得使用頂尖數據科學家和統計學家所用的工具。當Claude伸手去拿Markdown表格時，堅持讓它改用數據庫和統計模型。

你不必事先知道專家會用什麼------Claude通常知道。

設定「不合理」的目標，再告訴模型它們非常合理

你希望把網站加載時間從10秒縮短到5秒？直接要求0.2秒。

模型覺得某件事不可能做到？再向它強調，這個問題完全可以解決，它需要繼續嘗試。

△AI生成

挑戰你已經認定的結論

尤其在商業領域，很多我們相信是事實的東西，都只是對現實的粗略近似。

讓模型接觸原始信息和數據，帶著質疑的態度檢驗那些假設。

比如：

我們認為用戶流失是新用戶引導環節的問題。請嘗試從原始數據中復現這個結論。

找出新的知識

這一步很容易接在「挑戰已有認知」後面------既然Claude已經深入數據內部，就繼續要求它尋找盲點：

根據我們的日誌構建一個客戶模擬模型，重現過去一年的情況。然後，找出我們尚不知道的、最早預示用戶流失的信號，並用它未見過的數據驗證預測能力。

引入外部評判

不要讓模型自己評價自己。

我想，隨著模型智能不斷提高，這個問題最終會得到解決。但在2026年10月，我強烈建議你堅持使用外部驗證。

理想情況下，驗證方式應該是一種模型可以自行運行、並立即獲得反饋的工具。

下面這段簡單的提示詞，經常能幫到我：

我希望把這項任務做得更深入，而不是擴大任務範圍。改寫任務之前，請先完成四件事：

說明這個領域的頂尖專業人士會做哪些事情，而我還沒有提出這些要求。

列出他們會從哪些最原始的材料入手，而非直接使用已經替我整理、消化過的內容。

列出他們會採用的具體方法和工具。

說明除了你和我之外，還有什麼能夠證明結果是正確的。

然後，改寫我的提示詞，把這些要求準確地寫進去。

△AI生成

廣度：把其他領域的方法也用起來

在「廣度」上更有野心，就是從不同領域的視角審視自己的工作。

涉及的領域可以比過去更多，因為過去這樣做，從成本上往往不划算。

這個想法並不新鮮。幾乎每一部講高手組隊的電影，前30分鐘都在召集一群背景各異、各有所長的人。

隨著AI產品讓多智能體系統越來越容易運行------無論是通過多個線程、協調器，還是直接使用子智能體，我發現，讓Claude引入其他領域的思路，往往能帶來一些很有意思的結果。

真正實踐起來並不容易，它需要你發揮創造力。

在看到同事Alex Albert用Blender渲染室內設計之前，我從未想過可以用Claude為自己的首頁製作3D環境。

要知道，我以前可是做電子遊戲的！

不過，這也恰恰是我最常看到驚喜的地方。

具體該怎麼做？我會使用下面這些方法。

試著把名詞換成動詞

這是Tom Kelley和Jonathan Littman在《The Art of Innovation》中提到的一個老方法。

季度復盤的目的，遠不止產出「一份PPT」。你要做的是：

在30分鐘內，讓一群忙碌的人信服一套關於事情前因後果的解釋，並在不確定的情況下作出決策。

用動詞描述任務，會讓我和Claude更容易看清，哪些領域能夠提供獨特而有用的視角。

△AI生成

組建一支跨領域團隊

假設這份PPT必須驚艷，否則外星人就會炸毀地球。人類會召集一支怎樣的團隊？

為了保證成品質量，我會找來一名分析師、一名記者和一名編輯。

如果還需要現場展示，可能還得找一位動效設計師和一位音頻設計師。

引入一支專門挑錯的「紅隊」也許很有幫助，那就再找來一名懷疑論者和一名法務會計師。

不過，這種做法很容易不小心變成角色扮演。結果只是讓你和模型的對話變得更古怪，實際成果卻沒有改善。

你應該用這個方法尋找有用的領域和技術。直接讓模型按照懷疑論者研究投資標的的方法開展調查，比讓它編寫一個這樣的角色更有意義。

我前面介紹的所有方法，都要求模型有一台可以操作的電腦，能夠安裝軟件，並訪問各種相關數據，無論是通過MCP連接器，還是其他方式。

現在有不少工具能夠提供這些條件，我建議你選一個用起來。

自我效能感：人也要更新對自身能力的判斷

以上就是我關於「怎樣更有野心」的具體建議。

如果你願意再多留一會兒，我想聊聊，為什麼我們有必要討論這個問題。

人類一直受到自身判斷的限制：我們認為什麼可能，什麼不可能。更麻煩的是，我們通常認為自己只能在非常狹窄的領域裡有所作為。

米開朗琪羅當年不願意為西斯廷禮拜堂作畫，就是一個著名的例子。他認為自己是一名雕塑家，對畫家的身份缺乏認同。

△弗朗西斯科·戈雅的《Modo de volar》（A Way of Flying）

【弗朗西斯科·戈雅是西班牙歷史上最偉大的畫家之一，被視為浪漫主義繪畫的先驅，也是連接古典大師與現代藝術的關鍵人物】

在研究「野心」這個問題時，我了解到心理學裡有一個相關概念：自我效能感。

簡單來說，自我效能感更高的人，更相信自己的能力，也因此能完成更多事情。

有證據表明，自我效能感可以通過一些方法加以提升。

Locke和Latham梳理了35年的目標設定研究，得出了明確的結論：被賦予清晰而有挑戰性目標的人，表現優於那些僅僅被告知「盡力而為」的人。

Stripe創始人Patrick Collison維護著一份名為「Fast」的清單，記錄人類在大膽的目標和緊迫的期限之下，曾完成過哪些事情。

下面是幾種有充分記錄的方法。

相信困難的事情可以做到

1939年，George Dantzig去伯克利上統計課時遲到了。

他把黑板上的兩道題抄下來，以為那是作業，隨後交上了自己的解答。

實際上，那是統計學裡兩個尚未解決的問題。

看到別人做到，再去完成困難的事情

幾十年來，人類一直在嘗試把一英里的跑步時間縮短到4分鐘以內。

1954年5月，Roger Bannister突破了這一關口。但這個「全球只有他一個人跑進4分鐘」的局面，僅持續了46天。

如果你關注跑步，就會發現，馬拉松的兩小時關口正在發生類似的事情。

今年4月，Sabastian Sawe在倫敦跑出了正式賽事中的首個兩小時以內的馬拉松成績。同一場比賽的亞軍，也跑進了兩小時。

【兩小時馬拉松壁壘 ：馬拉松全程42.195公里，人類"破2"（跑進2小時以內）被認為是和"四分鐘一英里"同級別的標誌性體能門檻】

△AI生成

允許自己失敗，再去挑戰困難

《The Inner Game of Tennis》似乎是所有人都喜歡的一本商業書，而我上週才發現它。

這本書的核心觀點是：當你拼命用力、過分努力時，反而無法打出自己最好的網球水平。

我們這些工程師或許還記得，Linux剛被公布時，Linus是這麼形容它的：

我做這玩意兒就是圖個樂，不會像GNU那樣宏大、專業～

（誰能想到，後來Linux成了大氣候，而GNU內核至今也沒做成。。。）

自我效能感並非一個新問題，但它如今變得太太太重要了！

在一個能力每隔幾週就躍升一次的時代，我們迫切需要一些方法，去做到那些我們不曾認真考慮過、甚至從未相信能夠做到的事。