Claude Code负责人Felix Rieseberg：用AI该更大胆，目标定得越狠越好

先设一个看起来不合理的靶子，再告诉模型：这事完全能做到。

这招出自Claude Code桌面版负责人Felix Rieseberg的分享。

落到操作上是什么样？

打个比方，网站加载时间眼下是10秒，你想砍到5秒——他给的思路是，干脆把目标写成0.2秒。

模型要是回一句做不到，就接着跟它讲：这个问题能解决，再来一遍，再来一遍。

在Felix眼里，交给AI的活儿，胆子还可以再大些。

他另外提了个小办法：把任务描述里的名词改写成动词。

举例来说，原先写的是「做一份汇报PPT」，不妨换成这种说法：

30分钟之内，让一屋子忙人接受你对事情来龙去脉的交代，并且在局面还不清楚的时候就把决策定下来。

除了故意把目标往激进里定，他还列了几条具体操作：

不要停留在让AI「像专家一样思考」。紧接着追问它：真专家会翻哪些一手材料、动用什么工具、走什么流程，然后把这些要求一并写进任务。

自己的判断别直接当成结论丢过去。交给AI去验，让它翻回原始材料，找出撑得住这个判断的证据，也找出可能把它推翻的反例。

打分这件事别让AI自己做。代码就跑起来看，预测就拿新数据去测，最后让实际结果说话。

下面是他使（调）用（教）Claude的详细教程，文字经过润色。

Enjoy～

用AI这件事，我们还可以更有野心

我在Claude团队工作。

这份活儿有意思的地方在于：差不多每天我都会听说，又有一件事靠Claude办成了——有的甚至是Claude自己独立做完的。

其中有些是我从没想过的，有些我原先认定做不到；还有些纯粹是我自己不够好奇，也没腾出时间去试。

就在这个月，Claude可能帮忙发现了一颗新行星；我看到了第一支真正让我喜欢的AI音乐视频；我们甚至开始聊，数学的新时代是不是要来了。

模型的本事不会齐头并进。陶哲轩的说法是，它们「在某些方向上令人惊叹，在另一些方向上却仍有不足」。

有些人已经摸清了怎么驾驭模型那些惊人的能力，像是真飞起来了。看他们借着我亲手做出来的产品飞到那样的高度，确实着迷。

更多人还在摸索这双新长出来的翅膀怎么用。他们还在想：AI除了回答「法国的首都是哪里」、或者「能不能把这封邮件的语气改得温和一点」，还能干点什么？

我和不少AI从业者嘴边常挂着一句话：用AI，应该更有野心一点。

这话基本成了我们的行动口号。每次看到让人惊叹的成果，我们就会转发，再补上一句：「我们还不够有野心。」

我也清楚，说起来轻巧，真做起来并不容易。所以，下面这份教程讲的就是「怎么更有野心」。

我把野心分成四类：速度、高度、深度和广度。

△

速度：花更少的时间把同样的活干完。这是AI创造经济价值最基础的一条路。

举个例子，同样写一段代码，有Claude搭把手，我就能更快收工。这种用法已经很成熟，也没太多更复杂的花样可琢磨，这里就先跳过。

高度：把任务的抽象层次提上去，盯住最终想要的结果，而不是一件件具体的事。

深度：像顶尖专家那样去想任务，往底层的数据、工具和问题里再钻一层。

广度：从多个领域里找解题思路，把平时碰不到的知识、工具和方法也用上。

我平时主要用Claude，不过这些建议并不针对某一个特定模型。

高度：让模型在更高的抽象层次上工作

这种做法我们平时随口就叫「让模型在更高的抽象层次上工作」。你把任务交给模型时，它执行的其实是你对如何达成预期结果的最优设想。

想站到更高的维度去想，可以先问问自己——接下来，你希望发生什么？目标背后的目标，又是什么？

去年年初，我还让Claude帮我修单个程序的崩溃问题；后来，我干脆要求它保证我们的应用一直无崩溃运行。

来看一个日常办公任务（恕我直言，甚至有点枯燥）。

假设你在Acme公司，要给季度业务复盘（QBR）准备一份PPT。把一堆数据丢给Claude，它会很乐意帮你做出来；模板你可能已经有了，它只需要把内容填进去。

这跟发现一颗新行星实在没法比。但同样是做一份季度汇报，我们还能让AI做到什么？可以从最基础的要求起步，一步步把野心抬高：

△

第一步，让它搞清楚业务发生了什么。

大多数复盘要回答的就是这么几个问题：这个季度发生了什么变化？为什么？接下来应该怎么办？

如果你只想把模版里的数字更新一下，请克制这种冲动——尽可能把能弄到手的数据都交给模型，让它真正理解你的业务，然后问它：

告诉我，这个季度发生了什么变化，为什么会发生，以及我们应该采取什么行动。

第二步，让它找出需要作出的决策。

一场会议——至少是一场好会议——理想情况下应该以某些决策收尾。可以这样问Claude：

根据你了解到的所有情况，判断眼下最迫切的三项决策是什么，并针对可能的行动方向展开分析，分别列出支持和反对的理由。

第三步，让它重新设计这套工作机制。

放在过去，季度业务复盘得靠人一点点筛数据、弄明白数字背后的含义，再判断业务要不要调整。

如今，不妨直接问Claude：

复盘的意义在于让管理层尽早发现问题，把资金和人员放到该放的位置。

用自家历史数据做一次验证，看这套新办法本来能提前揪出哪些毛病；比季度PPT更管用的实现方式请设计出来，再让它和现行方法并行跑满一个季度。

当你确实在追求某个最终结果时，提高目标层次的方法最有效；但创作类任务就不太吃这一套，适用性相对有限。

一个好用的判断信号是：如果你手头这件事做完之后还得开会讨论，那就值得把目标再往上提一层。

当然，局限也还在——至少2026年，对大多数企业来说，只丢一句「Claude，去赚钱吧」，事情似乎还没法自己转起来。

不过我总的观察是：能力变强之后，模型越来越能在更高的抽象层次上干活。

提高目标层次还有个好处，能帮人找到可持续运行、不用人类一直盯着的工作流，你不必一项接一项地给模型派新任务。

要把这件事做好，往往得改掉现有的工作流程。

比如，为了让Claude确保我们的应用不崩溃，我得先让它能方便地拿到崩溃报告，搞清楚每个应用版本对应哪次Git提交，再给它访问Windows、macOS和Linux电脑的权限。这样它才能真正独立复现问题，并验证修复是否有效。

深度：用顶尖专家的方法，把问题做透

有时候，你就是希望一项任务能完成得特别好。

在「深度」上更有野心，就是推着模型去用这个领域最优秀专业人士所用的工具、技术、媒介和知识，并且不断加码——直到连这些专家也可能从你的成果里学到新东西。

还是看Acme公司的季度业务复盘。假设这家公司正面临用户流失，也就是客户随着时间推移不断离开。

我发现，下面几种方法结合起来用很有帮助：

△

坚持使用行业顶尖人士所用的工具

当你要求模型「像专业人士一样工作」时，它往往只是换了一套专业词汇，实际方法却没变。

想真正把问题研究透，顶尖数据科学家和统计学家用的那套工具就得上。Claude 一抬手去拿 Markdown 表格，就得拦住它，让它换成数据库和统计模型。

你不必事先知道专家会用什么——Claude通常知道。

设定「不合理」的目标，再告诉模型它们非常合理

你希望把网站加载时间从10秒缩短到5秒？直接要求0.2秒。

模型觉得某件事不可能做到？再向它强调，这个问题完全可以解决，它需要继续尝试。

△

挑战你已经认定的结论

尤其是在商业世界里，不少被我们当成事实的判断，其实只是对现实的大致描摹。

那就让模型直接接触一手信息和原始数据，带着怀疑去检验这些假设。

比如：

比如我们认定用户流失出在新用户引导环节，就让它从原始数据把这个结论重新推一遍。

挖出新的知识

这件事能顺势接在“挑战已有认知”之后：Claude既然已经钻进数据里，就接着让它找盲点。

让它按我们的日志搭一个客户模拟模型，把过去一年的情况还原出来；再找出那些我们还没察觉、却最早预示流失的信号，并用它没见过的数据检验预测准不准。

请外部来评判

别让模型给自己打分。

我认为随着模型越来越聪明，这个问题迟早会解决。但在2026年10月，我还是强烈建议你坚持外部验证。

最理想的验证，是模型能自己跑起来、马上拿到反馈的那种工具。

下面这段提示词不长，却常常管用：

我想把这件事做得更深，而不是铺得更宽。在改写任务之前，先完成四件事：

讲清楚这个领域的顶尖专业人士会做哪些事，而这些要求我还没提出来。

列出他们会从哪些最原始的材料入手，而不是直接用别人替我整理、消化过的东西。

列出他们会用到的具体方法和工具。

说明除了你和我，还有什么能证明结果是对的。

然后改写我的提示词，把这些要求原原本本写进去。

△

广度：把别的领域的方法借过来

在“广度”上更有野心，就是拿不同领域的眼光来回看自己的工作。

能牵涉的领域可以比以往更多，因为过去这么做，成本上往往不划算。

这个思路并不新。几乎每部讲高手组队的电影，前30分钟都在凑一帮背景不同、各有所长的人。

AI产品让多智能体系统越来越容易跑起来——不管是多线程、协调器，还是直接用子智能体。我发现让Claude引入其他领域的思路，常常能带来挺有意思的结果。

真做起来并不轻松，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，我从没想过可以拿Claude给自己的主页做一个3D环境。

说起来，我过去是做电子游戏的。

但恰恰在这种地方，我看到的惊喜最多。

那具体怎么操作？下面这几招是我常用的。

名词换成动词

这个办法不新鲜，Tom Kelley和Jonathan Littman在《The Art of Innovation》里就写过。

季度复盘要的绝不只是一份「PPT」，真正的目标是：

用30分钟，让一群很忙的人接受一套关于前因后果的说法，并且在信息不确定时把决定做出来。

用动词来写任务，我和Claude就更容易分辨，哪些领域能给出独特、有用的视角。

△

拉一支跨领域团队

假如这份PPT非惊艳不可，做不好外星人就要炸地球，人类会凑出怎样一支队伍？

我会请一位分析师、一位记者和一位编辑，先把成品质量兜住。

要是还得现场讲，大概还得加一位动效设计师和一位音频设计师。

再配一支专门挑毛病的「红队」或许也有用，那就补上一位怀疑论者和一位法务会计师。

不过这么干很容易滑成角色扮演。你和模型的对话是变古怪了，实际产出却没见好。

这个办法应该拿来找有用的领域和技术。与其让模型演一个怀疑论者，不如直接让它按怀疑论者研究投资标的的路子去做调查。

我前面讲的这些方法，前提都是模型手里有一台能操作的电脑，装得上软件，也拿得到各种相关数据，MCP连接器也好，别的途径也好。

眼下能提供这些条件的工具不少，挑一个用起来就行。

自我效能感：人对自身能力的判断也得更新

关于「怎样更有野心」，具体建议就是上面这些。

如果你还愿意多待一会儿，我想说说为什么这件事值得拿出来讨论。

人一直被困在自己的判断里：觉得什么可能、什么不可能。更麻烦的是，我们往往认定自己只能在很窄的一块地方有所作为。

米开朗琪罗当年不肯给西斯廷礼拜堂作画，就是个有名的例子。他自认是雕塑家，对画家这个身份并不认同。

△弗朗西斯科·

【弗朗西斯科·戈雅是西班牙历史上最伟大的画家之一，被视为浪漫主义绘画的先驱，也是连接古典大师与现代艺术的关键人物】

聊到「野心」这件事，我查到心理学里有个对应的说法，叫自我效能感。

说白了，自我效能感强的人更信得过自己的本事，做成的事自然也就更多。

现有证据显示，这种效能感是能靠一些办法练上去的。

Locke和Latham把35年的目标设定研究梳理了一遍，结论很干脆：拿到清晰且有挑战性目标的人，干得比只被交代「尽力而为」的人更好。

Stripe创始人Patrick Collison手里有一份叫「Fast」的清单，专记人类在大胆目标和紧迫期限下干成过哪些事。

以下是有充分记录的几个办法。

先信难事能成

1939年，George Dantzig去伯克利上统计课，到晚了。

他把黑板上两道题抄了下来，当成作业，之后交上了自己的解答。

那其实是统计学里两道一直没解出来的题。

再看别人做成，自己再上

把一英里跑进4分钟以内，人类试了几十年。

1954年5月，Roger Bannister迈过了这道坎。可「全世界只有他一人跑进4分钟」的局面，只维持了46天。

常看跑步的人会发现，马拉松的两小时关口眼下也在上演类似剧情。

今年4月，Sabastian Sawe在伦敦跑出了正式比赛里头一个两小时以内的马拉松成绩。同场拿亚军的那位，也跑进了两小时。

马拉松全长42.195公里，跑进2小时以内被称为“破2”，这一关口被视作与“四分钟一英里”同一级别的体能标志；想跨过去，两小时就是那道壁垒。

△

先允许自己失败，再回头啃硬骨头

《The Inner Game of Tennis》好像是人人都爱的商业书，我上周才第一次读到。

书里讲的核心是：你越是死命使劲、过度用力，反而越打不出自己最好的网球水平。

做工程师的人大概还记得，Linux刚对外公布时，Linus是这样描述它的：

我做这玩意儿就是图个乐，不会像GNU那样宏大、专业～

（谁能想到，后来Linux成了大气候，而GNU内核至今也没做成

。。。）

自我效能感算不上新话题，可它现在变得太太太重要了！

能力每隔几周就往上跳一档的年代，我们太需要一些办法，去做成那些没认真想过、甚至从没信过自己能做成的事。

反过来想，AI 能帮你做成原来做不成的事，这不挺让人兴奋的吗？

参考链接：

https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/