邱懿武
工作台

如何更有野心地使用 AI:一份写给人类的使用指南(Felix Rieseberg)

大多数人用 AI 最大的瓶颈不是不会用,是不够有野心——而“野心”可以拆成四个可操作的维度:速度、高度、深度、广度。

整理日期
作者
**Felix Rieseberg**(Anthropic 工程主管,长期负责 Claude.ai 工程团队;Electron 联合维护者,曾在 Notion、Stripe、Slack、微软)

渠道:felixrieseberg.com · 体裁:报告 · 信源层级:**一手**(作者原文,已取得英文全文;本档案为中文精译 + 结构化提炼) · (作者个人博客原文,2026-10-13)


〇、他为什么写这篇


一、速度(Speed)——已成熟,略过


二、高度(Altitude)——别给 AI 派活,给它一个目标

  1. 最基础:把数据填进模板;
  2. 给模型尽可能多的数据:“告诉我这个季度发生了什么变化、为什么、我们该怎么做。”
  3. 更野心:“面对你了解到的一切,找出最紧急的三个决策,并开始为每个方向做正反论证。”
  4. 最高层:“QBR 之所以存在,是为了让管理层早点发现问题、把人和钱挪到对的地方。设计一个比季度 deck 更好的方式来做这件事,用我们自己的历史证明它能更早发现问题,并让它和现有方式并行跑一个季度。”

三、深度(Depth)——用顶尖专家的标准要求它

  1. 坚持用行业最好的工具:你让它“扮演专业人士”,它往往只换词汇、不换方法。要深度,就得坚持用数据库和统计模型,而不是让它拉 markdown 表格。(“你不一定知道专家用什么,Claude 通常知道。”)
  2. 提“不合理”的目标,并告诉它这完全合理:需要网页从 10 秒降到 5 秒?直接要 200 毫秒。模型觉得不可能?重申“这完全可以解决,只是需要继续做”。
  3. 挑战你已知的东西:“尤其在企业里,我们相信的很多真相只是对现实的粗略近似。”给它原始数据和信息,让它对抗性地检验假设:“我们认为流失是 onboarding 问题,试着用原始数据复现这个结论。”
  4. 产出新知识:“一旦 Claude 已经深入到数据里,让它找盲点”:“建一个你客户的模拟,用我们的日志复现过去一年;然后找出我们还不知道的、最早的流失信号,并证明它在你没见过的数据上也能预测。”
  5. 用外部裁判:“不要让它评判自己。”(2026 年 10 月)坚持外部验证,最好是模型能立即跑起来拿反馈的工具。

四、广度(Range)——拉一队不同视角的子 agent

  1. 把名词换成动词(出自 Tom Kelley《创新艺术》):季度回顾不是“一个 deck”,而是“让忙碌的人在 30 分钟内相信一个因果故事,并在不确定下做决定”。有了动词,你和 Claude 都更容易看出哪些领域能带来独特视角。
  2. 召集剧组(Assemble the crew):“这个 deck 必须惊艳,否则外星人炸地球。人类会组建什么样的团队?”要制作质量 → 分析师、记者、编辑;要演示 → 再加动效和音频设计师;再加一个对抗性“红队” → 拉一个做空者和法务会计师。

五、为什么这有必要:自我效能感(self-efficacy)

  1. 相信它可能 → 就能做成:1939 年,George Dantzig 迟到,把黑板上的两道上交当作业做了——那是统计学两个未解难题。
  2. 看到别人做到 → 就能做成:四分钟一英里被 Bannister 打破后,他“唯一做到”只保持了 46 天;今天两小时马拉松(Sawe 在伦敦跑出首个官方破 2 小时,同场比赛第二名也破了)。
  3. 允许自己失败:“大家最喜欢的商业书是《网球的内在游戏》”——核心论点:如果你真的、非常努力地打,反而打不出最好的球。 Linux 当年公布时号称“just a hobby, won't be big and professional like gnu”。

读后判断