读书笔记：Felix Rieseberg 讲怎么把大模型用得更有野心

我把自己在五彩里对《How to be more ambitious》的划线，按高度、深度、广度三种野心重新整理，并写下每一处的理解。

Felix Rieseberg 在 Anthropic 做工程负责人，带过 Claude.ai、Cowork 和 Claude Code Desktop 的工程团队。他在 2026 年 10 月 13 日发了《How to be more ambitious: A tutorial for humans with models》。我之前在《让 agent 有野心地干活之前，先给它一份真人签过名的 truth source》里概括过这篇文章的四种野心；这一次，我按原文顺序把自己的划线重读一遍，并把每一处的理解写下来。

下面带 划线 标记的英文句子，是我在五彩里划过的原句；没有标记的部分，是我对上下文的转述。

他为什么写这篇

作者说，他每天都会听说 Claude 又完成了一件他没想到、不觉得可能、或者自己没好奇心去试的事。就在这个月，Claude 可能帮忙发现了一颗新行星。

这句话交代了作者的位置：他是做产品的人，看着用户把自己做的东西用到很高的地方，所以会上瘾。但是他也看到另一面。他引用陶哲轩的说法，模型的能力并不是均匀增长的，它们在某些方向上惊人，在另一些方向上仍然不够。一部分人已经驾驭了那些惊人的能力，看起来像在飞；更多人还不知道这对新翅膀能做什么，只会问「法国的首都是哪里」，或者「帮我把这封邮件写得不那么生气」。

因此，作者想把「我们用 AI 还不够有野心」这句口号，拆成一份可以照着做的教程。他把野心分成四种：

作者认为，速度是 AI 经济价值的基本盘，做法已经成熟，也不太需要创造力，所以他直接略过了这一种。我的划线也都落在后面三种上。

高度：盯住结果，而不是任务Altitude

我理解这句话的意思是，我交给模型的任务里，已经包含了我对「怎么达成结果」的判断，而这个判断未必是最好的路径。如果我只交出任务，模型最多把我的猜测执行好；如果我把结果交出去，模型才有机会找到另一条路。所以，作者让读者先问自己两个问题：

作者自己的例子很短。去年年初，他还在让 Claude 一个一个地修崩溃；后来，他直接让 Claude 负责一件更大的事：

季度汇报的三步升级

为了说明这一招也适用于普通的办公室工作，作者虚构了一家 Acme 公司，让读者为季度业务回顾（QBR）准备一份 deck。他先自嘲说，这件事和发现新行星根本没法比：

然后，他把这件小事一步一步往上推：

1. 多数汇报真正想知道的是，这个季度变了什么、为什么变、接下来该怎么办。因此，作者建议不要只去更新模板里的数字，而是把能拿到的数据尽量都交给模型，让它先理解业务，再回答这三个问题。我在这一步划了两处：“want to know what changed” 和 “so it can understand your business:”。
2. 好的会议应该以决定收尾。作者因此让 Claude 根据它掌握的情况，找出最紧急的三个决策，并为每个可能的方向列出支持和反对的理由。
3. 季度汇报诞生于一个需要人去筛数据、解读数据的年代。汇报存在的目的，是让管理层尽早发现问题，并把钱和人调到对的地方。于是作者让 Claude 设计一个比季度 deck 更好的机制，用公司自己的历史证明它能更早发现问题，再和现行做法并行跑一个季度。

我觉得第三步最能说明「目标背后的目标」是什么意思。前两步仍然在做 deck，只是做得更好；第三步则回到 deck 原本要解决的问题，并且允许答案不再是 deck。

作者也说明了这种野心的边界。高度适合真正追求某个最终结果的工作，用在创作上效果较差；如果一件事需要开会讨论，往上走一层通常就值得。他还承认，2026 年对大多数企业来说，直接让 Claude「去赚钱」还行不通。不过，他观察到一个趋势：

往上走之前，先改工作流

作者认为，高度也是人们找到持久工作流、把人从循环里拿出来的地方，这样人就不用一个任务接一个任务地喂模型。但是，他紧接着说，做好这件事往往要先改自己的工作流。下面这句是我在整篇文章里划得最长的一句：

换句话说，「保持零崩溃」这个目标之所以能交出去，并不是因为作者写了一句更大的提示词，而是因为他先让 Claude 能方便地拉到崩溃报告，能知道哪个版本对应哪个 git commit，还给了它 Windows、macOS 和 Linux 三种机器，让它自己复现问题并验证修复。我读到这里的理解是，目标往上走一层，工具链也必须跟着补上一层。

深度：像领域顶尖专家那样做Depth

作者在开头给深度下的定义是：

他在正文里补充说，深度对应的情况是你只想把一件事做得非常好（“want a task executed really well”）。这时，你要推动模型使用领域里最好的专业人士（“by the best professionals in the field”）所用的工具、技巧、媒介和知识，并且一直推下去，直到连那些专业人士也能从结果里学到新东西。这两个短语我都划了线。

作者接着用 Acme 的例子，假设公司正被用户流失困扰，然后列了五个他觉得有用的做法。

1. 坚持用业内顶尖的工具

作者发现，模型被要求「像专业人士一样做」时，常常只换了用词，并没有换方法。所以，当 Claude 想用 markdown 表格的时候，他会坚持让它用数据库和统计模型。他还补了一句：你不一定知道专家用什么工具，但是 Claude 通常知道。

2. 定一个不合理的目标，并告诉模型这很合理

如果模型觉得某件事做不到，作者会再告诉它，这件事完全可以解决，它只需要继续做下去。

3. 挑战已知

作者认为，尤其在商业里，很多我们以为是事实的东西，其实只是对现实的粗略近似。因此，他会把原始信息和数据交给模型，让它

他举的例子是：「我们认为流失是 onboarding 的问题，请试着从原始数据里复现这个结论。」

4. 产出新知识

作者认为，这一步可以直接接在「挑战已知」后面。他的例子是，让 Claude 用日志建一个能复现过去一年的客户模拟，再找出团队还不知道的最早流失信号，并证明这个信号在模型没见过的数据上也能预测。

5. 用外部裁判

作者预计，随着模型越来越聪明，这个问题终究会被解决；但是在 2026 年 10 月，他恳请读者坚持外部验证。他心目中最好的外部裁判，是一个模型自己就能运行、能立刻拿到反馈的工具。我注意到他给这条建议标了日期，这说明他把它当成当下的做法，而不是永久的原则。

一段可以直接用的提示词

这段提示词不在我的划线里，但我在整理要点时把它收了进来。它要求模型先回答四个问题：这个领域的顶尖专家会额外做什么，他们会从哪份最原始的材料开始，他们会用哪些具体的方法和工具，以及除了模型和我之外，还有什么能证明结果是对的；回答完之后，模型再按这些答案重写原来的提示词。我觉得第四问就是上面「外部裁判」那一条的提示词版本。

广度：把名词换成动词，再组一支队伍Range

作者说，广度就是从不同领域的视角看同一件工作，而且用到的领域比过去经济上划算的要多。他也承认这算不上独特的见解，因为每部劫案电影都会花前 30 分钟凑齐一队各有专长的人。真正变化的地方，在下面这段括号里：

也就是说，AI 产品让多 agent 系统越来越容易跑起来，所以作者开始请 Claude 引入更多领域，并且看到了很有意思的结果。不过，他也说这一招需要创造力：在看到同事 Alex Albert 用 Blender 渲染室内设计之前，他从没想过用 Claude 为自己的主页做 3D 场景，尽管他以前做过电子游戏。即便如此，他仍然认为广度是他看到最多「魔法」的地方。

把名词换成动词

这个技巧出自 Tom Kelley 和 Jonathan Littman 的《The Art of Innovation》。按照这个思路，季度汇报不再是「一份 deck」，而是「在 30 分钟内，让忙碌的人相信一个关于因果的故事，并在不确定中做出决定」。

我理解这一步的作用是把问题拆开。「做 deck」只会指向做 deck 的人；而「让人相信一个因果故事」会指向讲故事的人，「在不确定中做决定」又会指向懂统计和风险的人。动词一多，能借力的领域也就多了。

组一支队伍

作者在这里开了个玩笑：假设这份 deck 必须做得惊艳，否则外星人就会炸掉地球，那么人类会组一支什么样的队伍？他的回答是：

如果这份 deck 还要当场讲，他可能还会加上动效设计师和音频设计师。另外，他认为再配一支对抗式的「红队」会有用，所以又加上了做空者和法务会计。

别陷入角色扮演

作者提醒，角色扮演很容易不小心发生，它只会让对话记录变得更怪，却不会改进真正的结果。所以，组队这个方法应该用来找领域和技巧，而不是用来给模型换人设。我理解这里的区分是「换口吻」和「换做法」：让模型像做空者那样写，得到的只是做空者的语气；让模型去做做空者研究仓位时会做的事，得到的才是做空者的方法。这一条和深度里「模型常常只换用词、不换方法」的提醒，说的是同一个问题。

前提和后记

后面这部分我没有划线，但是有两点我认为值得记下来。

第一点是前提。作者说，他描述的所有野心，都要求模型有一台能装软件的电脑，并且能通过 MCP 连接器或其他方式访问各种相关数据。他建议读者找一个能做到这一点的工具来用。

第二点是作者在文末解释的原因：人一直被自己「以为可能」的边界限制，而且通常只在很窄的领域里相信自己。他举的例子是米开朗基罗，米开朗基罗起初并不想画西斯廷礼拜堂，因为他认为自己是雕塑家，不是画家。心理学把这种信念叫作自我效能感（self-efficacy）。作者引用 Locke 和 Latham 对 35 年目标设定研究的梳理：拿到具体而困难目标的人，比只被要求「尽力而为」的人表现更好。他还列了几种有记录的办法：

• 相信它可能。1939 年，George Dantzig 上统计课迟到，把黑板上的两道题抄回去当作业做完，后来才知道那是统计学里两道未解决的问题。
• 看见别人做到。Roger Bannister 在 1954 年 5 月跑进四分钟一英里，此后 46 天里只有他一个人做到过。作者还提到，Sabastian Sawe 在 2026 年 4 月的伦敦马拉松跑出首个官方认可的两小时以内成绩，同场的亚军也跑进了两小时。
• 允许自己失败。作者提到《The Inner Game of Tennis》的核心观点：拼命用力的时候，人反而打不出最好的网球。他也提醒工程师，Linux 当初发布时，作者说它「只是个爱好，不会像 GNU 那样大而专业」。

作者的判断是，自我效能感不是新问题，但是在能力每隔几周就跃升一次的现在，它变得更要紧了。

我的角度

我之前就有一个想法：Claude 这类大模型要用得有野心，别只拿来干小活。当时我还没想清楚，「有野心」具体要落到哪些用法上。这次按划线重读，我发现自己的划线大多落在高度和深度两节，而且高度一节里我划得最长的那一句，讲的并不是目标本身，而是前提：崩溃报告、版本与 commit 的对应、三种系统的机器。

深度一节里的「不要让模型评判自己」，正好对应我在《让 agent 有野心地干活之前，先给它一份真人签过名的 truth source》里写的想法：agent 的野心越大，越需要一份真人签过名、在迭代中不轻易变化的 truth source 来当外部裁判。作者希望外部裁判最好是模型自己能运行的工具；在我看来，truth source 加上与它关联的自动化测试，就可以成为这样的工具。agent 可以自己跑它、拿它验证自己的改动，但是不能顺手改掉它。

所以，我现在对这篇文章的理解是：把野心交给模型之前，人要先做两件事。第一件是像作者修崩溃那样，把工具链补齐，让模型能自己拿到数据、复现问题和验证结果；第二件是把「什么算对」交给一个模型之外的裁判。这两件事做好了，我才敢把目标往上提一层、往深挖一层。

原文：Felix Rieseberg，《How to be more ambitious: A tutorial for humans with models》，2026 年 10 月 13 日。文中的英文引文均出自原文，中文部分是我的转述和理解。