我们还远远没发挥出 AI 的潜力

最近 Felix Rieseberg 写了一篇很有意思的文章，题目叫 How to be more ambitious。

他在 Anthropic 做 Claude 相关的工程工作。每天都能看到有人用模型做出一些连他自己都没想到的东西，也每天都能看到另一批人，还在拿 AI 改邮件语气、查法国首都、写一点点代码。

于是大家很容易喊出一句话，我们对 AI 还不够有野心。

但这句话其实挺让人无从下手的。

到底怎么才算更有野心？是一次扔给它更多任务，还是把提示词写得更长？

Felix 把野心拆成了四个方向，速度、高度、深度和广度。

速度很好理解，同样的活，更快做完。写代码快一点，整理资料快一点，做图快一点。过去两年大多数人对 AI 的理解，基本都停在这里。

但他真正想讲的，是后面三个。

高度：追问结果之后的结果

高度，是别再盯着手里的那个动作，而是继续追问，你真正想让什么事情发生。

比如老板让你做一份季度复盘 PPT。

最普通的用法，是把数据和模板交给 Claude，让它填好页面。

再往上一层，你可以让它分析这个季度发生了什么，原因是什么，公司接下来应该做什么。

还可以再往上一层，让它找出管理层必须尽快做出的三个决定，并分别给出支持和反对的证据。

甚至可以继续问，这份 PPT 存在的目的，是让公司更早发现问题，把钱和人放到更正确的位置。既然如此，有没有一种比每季度开一次会更好的机制？能不能拿过去一年的数据回测，证明新机制确实能更早发现问题，然后让它和现有流程并行一个季度？

你看，任务已经从做 PPT，变成了改造一套决策系统。

这就是高度。

我自己的反馈是，很多所谓不会用 AI，并不是提示词水平不行，而是目标只写到了第一层动作。你让模型修一个报错，它就修一个报错。你让它负责让产品尽量不再崩溃，它才会开始关心崩溃报告、版本和 Git 提交的对应关系、跨平台复现、修复后的真实验证。

当然，这里面没有魔法。想让模型承担更高层的目标，你得先把数据、权限、运行环境和反馈回路接给它。否则一句帮我把公司经营好，和对着空气许愿也没什么区别。

深度：让专业方法真正上场

说到这里，就到了第二个方向，深度。

深度不是让模型多写五页，而是让它像这个领域真正厉害的人一样工作。

这块我特别认同 Felix 的一个判断。你让模型扮演专家，它经常只是换了一套专家词汇。嘴上全是专业名词，手里干的还是 Markdown 表格那点活。

真正的深度，是要求它使用专业人士真正使用的数据、工具和方法。

分析用户流失，不要只喂一份别人整理过的周报。把原始日志、用户行为、版本变化、客服记录都接进来。

不要满足于我们觉得用户是因为新手引导太差才离开。让模型从原始数据里反过来攻击这个假设，看它到底能不能被复现。

再往深一点，让它建立一个能够重现过去一年用户变化的模拟，找出我们还不知道的早期流失信号，并拿模型没见过的数据做验证。

还有一个特别重要的东西，外部裁判。

别让模型自己出题、自己答题、自己判卷，然后告诉你考了 100 分。代码要跑测试，数据结论要做留出验证，设计要拿真实用户或可测量指标检验。到 2026 年，这一步依然不能省。

Felix 给了一个很好用的提问框架。真正的中文意思可以整理成这样。

我想要的不是更大的一份答案，而是更深的一次工作。动手前，先告诉我这个领域最顶尖的专业人士会做什么，而我没有要求。然后指出他会从哪些更原始的材料开始，会使用哪些具体方法和工具，以及除了你和我之外，什么证据能够证明结果是对的。做完这些，再按要求重写任务并执行。

这个框架好用的地方，是它在强迫模型从语言层进入方法层。

广度：借用其他领域的方法

第三个方向，是广度。

过去请一个跨领域团队很贵。一个季度复盘，正常情况下很难同时请来数据分析师、调查记者、编辑、动效设计师、做空机构研究员和法务一起干活。

模型把这种跨学科调用的成本压得很低。

但别急着让六个 Agent 分别扮演六种角色，然后开一场戏精大会。。。Felix 特别提醒，角色扮演很容易让对话看起来更热闹，却没有让结果更好。

正确的做法，是借角色找到方法。

不是让模型像做空机构一样说话，而是让它真的去做做空机构会做的事，查上下游数据，找财务口径差异，验证管理层叙事，寻找反证。

还有一个很骚但很实用的办法，把名词改成动词。

季度复盘不是一份 PPT。它是在 30 分钟内，让一群很忙的人相信一套关于因果关系的叙事，并在信息不完整的情况下做出决定。

一旦这么描述，记者的叙事方法、统计学家的验证方法、编辑的信息压缩、动效设计师对注意力的控制，全都可以进来了。

这才是广度。

把它放进自己的工作

顺着 Felix 的文章，我把这套方法压成了一个自己接下来会反复使用的稿件生成流程。

先写结果，不写任务。不是写一篇文章，而是让读者在 5 分钟内理解一个新框架，并愿意今天就拿自己的工作试一次。

再向上追问一层，结果之后还要发生什么。读者看懂不够，他最好能复制一段问题，马上让模型重写自己的任务。

然后往下钻，把原始材料、专业方法、反方证据和外部验证补齐。

接着横向扩展，找三到五个真正能改变结果的领域，不让它们表演身份，只调用它们的方法。

到这一步才开始写。写完后，再让事实核验、版权检查、平台规则和真实页面预览分别做裁判。

给野心一个外部裁判

这里还有一个小修正。

高目标确实经常让人做得更好，但目标设定研究也提醒我们，如果任务非常复杂、方法又完全陌生，直接压一个离谱的结果目标，可能让人更焦虑，甚至乱试策略。这时更适合设定具体而困难的学习目标，比如先发现五种可行方法、完成三轮验证，而不是一句必须做到行业第一。

野心不是嘴上把目标喊得更大。

它是把目标抬高，把工作做深，把可调用的世界变宽，同时给结果放一个不讲情面的外部裁判。

我们过去总觉得，能力决定一个人能做多大的事。

但模型出现以后，顺序可能反了。

很多时候，是你先允许自己提出一个更大的问题，能力才会沿着那个问题，一点点长出来。

这大概就是我读完 Felix 这篇文章之后，最强烈的反馈。

不是让 AI 替我少做一点。

是让我终于敢想，原来这件事还能这样做。