原文：Felix Rieseberg，How to be more ambitious: A tutorial for humans with models，2026 年 10 月 13 日。下面是我的导读和摘要，不是全文翻译，细节和原话请看原文。

作者在 Anthropic 带团队做 Claude.ai、Cowork 和 Claude Code Desktop。他每天都能听到有人用 Claude 做成了自己没想到的事，而另一些人还停留在问常识、润色邮件。圈内人常说“用 AI 的野心还不够”，但这句话很难照着做，所以他把野心拆成四个方向：速度、高度、深度、广度。速度就是同样的活干得更快，已经是大家的日常用法，他直接跳过，重点讲后面三个。

高度是把要求从具体任务往上提，问自己“这件事背后真正想要的结果是什么”。他自己的例子是从“帮我修这个崩溃”变成“确保应用不再崩溃”。文中贯穿的例子是做季度业务回顾的幻灯片：最低一层是把数据填进模板；往上一层是让模型说清这个季度变了什么、为什么、该怎么办；再往上是让它找出最紧迫的几项决策并做前期研究；最高一层是质疑季度回顾这种形式本身，设计一个能更早发现问题的机制，用历史数据验证，再和旧流程并行跑一个季度。他提醒，这种方法适合有明确结果的工作，不太适合创作；而且要让模型在这个层面上长期独立干活，往往得先改自己的工作流程，比如给它崩溃报告、版本对应关系和三种操作系统的测试机器。

深度是要求模型像这个领域最顶尖的人那样做事，而不只是换一套术语。他给了几条做法：坚持用专家用的工具（该上数据库和统计模型时不要接受 Markdown 表格）；故意定一个看起来不合理的目标，并坚持说它能做到；让模型回到原始数据，反过来检验团队深信的假设；顺势让它产出新知识，比如建一个客户模拟模型去找流失的最早信号，并在没见过的数据上验证；最后，不要让模型自己评判自己，尽量给它一个能立即运行、立即反馈的外部检验。他还附了一段很好用的提示词，核心是“做得更深，而不是更大”，先让模型说出顶尖专家会额外做什么、从哪些原始材料入手、用什么方法，以及靠什么证明结果是对的。

广度是把更多领域的视角拉进来，以前因为成本太高不值得，现在多智能体让这件事变便宜了。一个技巧是把名词换成动词：季度回顾不是“一套幻灯片”，而是“在半小时里让一群忙人接受一个因果叙事并做出决定”，这样更容易想到哪些行业的人能帮上忙。另一个技巧是假想组建一支团队，比如分析师、记者、编辑，再加做空者和法务会计师当红队。他特别提醒，这不是让模型角色扮演写台词，而是借用这些人的调查方法。上面这些都需要模型能用一台装得了软件、连得上数据的电脑。

文章最后一节从心理学的“自我效能感”谈起：人往往被自己认为可能的范围困住，而相信能做成本身会让人做成更多。他举了几个例子：Dantzig 把两道统计学未解难题当成家庭作业解了出来；Bannister 打破四分钟一英里后，别人很快跟上；还有今年伦敦马拉松上的破二。在模型能力每隔几周就跃升一次的今天，他认为更需要一些办法逼自己去做从没认真想过能做成的事。

我的感受是，这篇最有用的不是“要有野心”这个口号，而是把它拆成了可以直接照做的提问方式。高度和深度两节尤其值得对照自己手头的任务试一遍。