Claude核心研发者：拉开差距的不是提示词，是使用野心

神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。

大部分人拿顶级大模型只当润色工具用。Claude 核心研发者却亲口说：人与人之间的差距不在提示词，而在使用野心。以下文章来自编译。

我参与了Claude 的研发。这种体验挺有意思：每天都能听说有人靠 Claude（或者干脆让 Claude 独立）干成了一件大事。有些方向我压根没想过，有些我原以为不可能做成，还有些只是我没好奇心、也没时间去试。就在这个月，它可能帮着发现了一颗新行星，我看到了第一支真正让我喜欢的 AI 音乐视频，人们也开始聊数学的新纪元。

模型能力的增长并不均衡。陶哲轩（Terence Tao）说过，模型“在某些方面令人惊叹，在另一些方面却力有不逮”。有人能驾驭那些惊人的能力，仿佛御风而行。看着人们用我参与打造的产品抵达难以想象的高度，实在让人着迷。可还有很多人仍在摸索怎么让这双新生的翅膀动起来，不知道除了问“法国的首都是哪里”或者“能不能把这封邮件改得没那么冲”，它还能干什么。

我常跟同行说，用 AI 得把目标定得再大些——这话如今听着像句口号。一碰上惊艳的成果，大家转发时总捎带一句“我们的野心还不够”。这条建议执行起来不容易，我心里清楚，于是才有了这篇讲怎么把野心放大的指南。

我把野心分为四种：速度（Speed）、高度（Altitude）、深度（Depth）和广度（Range）。

• 速度是 AI 带来经济收益的基本盘：同样的活，花更少时间干完。写一段代码，交给 Claude 就能更快出手。这块已经相当成熟，用起来也不需要多少创造力，我就不多说了。

• 高度：提升抽象层级，着眼于最终结果，而非单个任务。

• 深度：像该领域的顶尖专家那样看待任务。不停留在任务本身的层面，而是再深入一层，直接触及底层的数据、工具和问题。

• 广度：不局限于任务表面所属的单一领域，而是调用多个领域的知识、工具和技巧，包括那些你平时不会用到的。

我平时主要用 Claude（还用说嘛），但我的建议并不针对特定模型。

高度

我们平时管这叫“让模型在更高的抽象层级上工作”。你给模型派任务，它做的其实是你对“怎么拿到想要的结果”的最好猜测。想在“高度”上更有野心，不妨先问自己：你希望接下来发生什么？这个目标背后还藏着什么目标？去年年初，我还让 Claude 一个个帮我修崩溃问题；后来我索性把“保证应用不崩溃”整件事交给它。

看一个日常到有点乏味的办公场景。假设你在虚构的 Acme Inc 上班，要为季度业务回顾（QBR）准备演示文稿。把一堆数据丢过去，Claude 很乐意给你生成几页幻灯片。模板你或许都有，它只要往里填内容就行。这事当然没法和发现新行星相比，所以我们拆几个具体步骤，看看怎么把它做得更有野心。先从最基础的做法起步，每往下一步就多加一点野心：

• 输入这一环，多数回顾想搞清楚的无非三件事：本季度有什么变化、为什么变、该怎么应对。别急着只把模板里那几个数字更新一下，手头能拿到的数据尽量都喂给模型，让它读懂你的业务：“告诉我这季度变了什么、为什么会这样，以及我们该怎么做。”

• 会议——至少是开得好的会——理想情况下总该以几项决策收尾。你可以跟 Claude 说：“根据你掌握的所有情况，挑出最紧迫的三个决策，然后开始为各个可能的方向整理支持和反对的理由。”

• QBR 诞生于那样一个年代：数据得靠人细细筛查，含义得靠人解读，业务要不要调整也得靠人判断。你可以对 Claude 说：“回顾的目的是让管理层早点发现问题，把资金和人力放到该放的地方。请设计一种比季度演示文稿更好的方式来实现它，用我们自己的历史数据证明它本可以更早发现隐患，并让它与现有流程并行跑一个季度。”

如果你真正盯的是某个最终结果，“高度”这一招最管用；创意类工作就不太灵。想判断一件事适不适合拔高“高度”，有个好信号：你接下来是不是要开会讨论手头这件事。眼下这条路仍有局限（2026 年，对多数企业来说，光说一句“Claude，去赚钱”还走不通），但我的总体观察是，模型越强，越能在更高的抽象层级上干活。

“高度”这一层也能长出可持续的工作流：人不用时时盯着，也就不必一个任务接一个任务地给模型下指令。要做好这点，往往得改改你的流程。比如为了让 Claude 保证我们的应用不崩溃，我先得让它能轻松拿到崩溃报告，弄清每个应用版本对应哪次 git 提交，还得让它能用上 Windows、macOS 和 Linux 电脑，这样它才能真的独立复现问题、验证修复。

深度

有时候，你就是想把一件事做到极致。在“深度”上更有野心，意思是推着模型去用这个领域顶尖专业人士所用的工具、技术、媒介和知识，并且一路推下去，直到连这些人都能从你的成果里学到点新东西。

还是拿 Acme Inc 的季度业务回顾演示文稿举例。假设 Acme Inc 正被用户流失（也就是客户随着时间不断跑掉）困扰。我发现下面几种技巧搭配起来挺管用：

• 坚持用业内顶尖人士那套工具：你让模型“像专业人士一样”，它往往只是换套说法，方法本身没变。要真正有深度地处理我们的问题，就得用上顶尖数据科学家和统计学家同款的工具。Claude 习惯性甩出 Markdown 表格时，坚持让它改用数据库和统计模型。专家们用什么，你不一定非得知道，Claude 通常清楚。

• 定一个看似离谱的目标，再告诉模型这完全合理：你需要网站加载时间从 10 秒缩到 5 秒？那就直接要 200 毫秒。模型觉得某件事办不到？反复跟它强调这完全可以解决，只管接着往下做。

• 去挑战你已知的东西：很多我们深信不疑的判断，放在商业领域里，说穿了不过是对现实的粗略近似。把原始信息和数据直接交给模型，让它以对抗的姿态逐项检验这些假设。“我们认为用户流失是新用户引导（onboarding）环节的问题。请试着从原始数据里把这个结论复现出来。”

• 接下来一步，是让它生成新的知识，也就是紧跟在“挑战你已知的东西”之后。等 Claude 已经把数据挖得足够深，再让它去碰盲区。“依据我们的日志搭一个客户模拟，把过去一年重演一遍。接着找出来我们还没意识到的最早流失信号，并且证明它在没见过的数据上同样能预测。”

• 请外部裁判进场：别让模型自己给自己打分。我猜随着模型智能提升，这个问题终将解决，但在 2026 年 10 月，我恳请你坚持外部验证。最理想的做法，是给它一个模型能直接运行、跑完立刻拿到反馈的工具。

分享一个经常对我有帮助的简单提示词：

我要的是这个任务的“更深”版本，不是“更大”版本。动手重写之前，先做四件事：（1）讲讲这一行的顶尖专家在这里会做哪些我没交代的事；（2）点出他们会从哪些最原始的材料下手，而非那些已经替我消化好的材料；（3）列出他们会动用的具体方法和工具；（4）说清楚除了你跟我，还有什么能证明结果是对的。做完这些，再重写我的提示词，让它正好把这些要求提出来。

广度

说白了，在“广度”上更有野心，就是用不同领域的视角来审视我们的工作，而且牵涉的领域要足够多，多到放在过去根本不划算。这算不上什么独到见解：每一部劫案电影的前 30 分钟，都在召集一群背景各异、身怀绝技的人。随着 AI 产品让运行多智能体系统（多线程、编排器，或者简单的子智能体）越来越容易，我发现要求 Claude 引入更多领域的视角，往往能得到非常有意思的结果。

真要把这一点落到实处并不容易，得靠你发挥创造力。在看到同事 Alex Albert 用 Blender 渲染室内设计之前，我从没想过可以用 Claude 为我的主页做一个 3D 环境，尽管我以前做过电子游戏。但无疑，这也是我见过奇迹最常发生的地方。

那么，具体怎么做呢？我用的是下面几种技巧：

• 试着用动词替换名词：这是 Tom Kelley 和 Jonathan Littman 在《创新的艺术》（The Art of Innovation）中提出的老办法。季度回顾不是“一份演示文稿”，而是“在 30 分钟内，让忙碌的人相信一个关于因果关系的故事，并在不确定性中做出决定”。有了动词，我和 Claude 都更容易看清：哪些领域能带来独特而有用的视角。

• 搭班子：这份演示文稿得惊艳，不然外星人就要炸地球。人类会拉一支什么样的队伍？为保住制作水准，我会找一位分析师、一位记者和一位编辑。要是还得现场演示，多半再加一位动效与音频设计师。再弄一支唱反调的“红队”可能也有用，那就请一位做空者和一位法务会计师。

• 这么做很容易不知不觉滑向角色扮演，对话记录只会变得更奇怪，结果却不会真正改善。请用这个方法来寻找领域和技术：不要让模型“像做空者那样写作”，而要让它做做空者研究其仓位时会做的事。

我描述的这些野心，都要求模型拥有一台能安装软件的电脑，并能访问各类相关数据（通过 MCP 连接器或其他方式）。有很多工具可以做到这一点，我建议你用起来。

这种事我们以前也遇到过

以上是关于如何更有野心的具体建议。如果你愿意再多停留一分钟，我想谈谈，为什么我认为这件事从一开始就有必要。

我们人类老被自己认定的“可能”框住，更麻烦的是，通常只在极窄的专业范围里才肯信自己。米开朗基罗当年并不想画西斯廷教堂的穹顶画——这大家都知道：他是雕塑家，不是画家。

琢磨“野心”这件事时，我得知心理学里有个专门说法：自我效能感（self-efficacy）。说白了，自我效能感强的人更信得过自己的能力，结果也就真的做成更多。有证据显示，自我效能感是有门道可循的：洛克（Locke）和莱瑟姆（Latham）把 35 年的目标设定研究捋了一遍，很有把握地得出结论——被交到手上一个具体又困难的目标的人，干得比那些只听到“尽力就好”的人更好。Stripe 创始人 Patrick Collison 维护着一份叫“Fast”的清单，记下了人类在同时顶着大胆目标和紧迫期限时干成的许多事。下面就是几个有据可查的门道：

• 先信难事能成，才做得到难事：1939 年，乔治·丹齐格（George Dantzig）去伯克利上统计学课，迟到了，就把黑板上的两道题抄了下来，当成作业，做完交了上去。那两道其实是统计学里还没解开的难题。

• 看见别人做成了，难事也就做得到：人类追着 4 分钟跑完 1 英里追了几十年。罗杰·班尼斯特（Roger Bannister）在 1954 年 5 月破了这个纪录，可他作为唯一做到的人，只保持了 46 天。你要是爱跑步，会发现马拉松“破二”正在上演相似的一幕：今年 4 月，萨巴斯蒂安·萨维（Sabastian Sawe）在伦敦跑出了首个官方认可的 2 小时内马拉松。同一场比赛里，亚军也跑进了 2 小时。

• 肯让自己失败，才做得到难事：显然，《网球的内心游戏》（The Inner Game of Tennis）是人人喜欢的商业书，我上周才发觉这一点。书里核心的观点是：你要是死命使劲，反倒打不出自己最好的网球。我们这些工程师也许还记得 Linux 发布时的那句话：“只是个业余爱好，不会像 GNU 那样庞大而专业。”

自我效能感不算新问题，可它今天的分量更重了。在一个我们的能力每隔几周就往上跳一次的世界里，我们需要一些技巧，去做那些原先没认真想过、甚至不觉得可能的事。你要是还发现别的能让人更有野心的技巧，一定告诉我！

译者：boxi。