AI越来越聪明，你的用法却过时了？Anthropic工程师教你更有野心

这两年，AI变聪明的速度很多人都能感觉到。还记得刚开始用ChatGPT时，大家都要先背一套“咒语”：你是一位有十年经验的资深市场专家、请一步一步思考、如果回答得好我给你小费。网上还流行各种提示词模板，好像不加这几句，AI就不肯好好干活。

但在Anthropic工程负责人Felix Rieseberg看来，随着AI越来越聪明，这套用法已经跟不上模型了。你让模型“像专家一样”，它多半只是换了一套更专业的词，干出来的活还是老样子。他带过Claude.ai、Cowork和Claude Code桌面版的工程，几乎每天都会撞见别人用Claude做成一件他没想过的事。可更多人还在拿它问“法国首都是哪”，或者把一封邮件改得“没那么冲”。于是他在个人博客写了一篇教程《How to be more ambitious: A tutorial for humans with models》。

“野心”来自科创圈子里的一句口头禅。做AI的人一刷到别人用模型干出惊人的事就会转发，配一句“我们还不够有野心”。Felix把“野心”拆成四种：速度、高度、深度、广度。速度是同样活干得更快，这是AI最成熟的用法，他直接跳过，剩下三种才是他真正想讲的。

高度，就是给AI布置任务时往上多问一层：我为什么要做这件事？他举例：老板让你做一份季度业务复盘PPT，按平时习惯，可能把数据交给Claude整理并自动生成PPT，这已能省不少时间。但制作PPT本身不是目的，让公司知道这个季度发生了什么、为什么发生、接下来该怎么办才是真正目的。与其让AI帮你更新PPT上的数字，不如直接让它分析经营数据、找出问题，甚至提出接下来应做的决策。再往前一步，如果AI能持续分析业务数据、及时发现问题，公司还需要等到季度结束再开复盘会吗？Felix建议让AI分析过去数据，看能否找到被忽略的预警信号，再用新方法监测下一季度业务，与原来的季度汇报比较。很多时候，我们只是把过去的工作习惯原封不动搬到AI身上，就算原流程并不合理，也让AI重复这套流程。下次面对复杂、重复的工作时，也许可以多问一句：除了帮我把这件事做完，AI有没有可能提供一个更好的办法？

深度，是让AI不只停留在问题表面，而是使用专业人士的工具和方法，把一件事研究得更仔细。很多人喜欢在提示词里加“你是一名拥有20年经验的行业专家”，但Felix认为，要求模型“像专业人士一样工作”，它通常只会改变措辞、使用更多专业术语，却未必真正改变工作方法。比如公司流失了不少用户，问AI怎么解决，它可能会说需要改善用户体验、优化产品功能、提高用户满意度。这些话没错，但几乎任何公司遇到用户流失都能得到类似建议，至于用户究竟为什么离开、该优先解决什么问题，依然没有答案。Felix建议，与其让AI扮演数据分析师，不如直接让它使用数据分析师真正会用的工具。把原始数据交给AI，让它试着复现“用户流失是因为新用户引导不够好”这个结论，看对不对。比如让AI访问用户行为数据，包括何时注册、使用了哪些功能、多久登录一次、何时停止使用产品，再要求它使用数据库和统计分析工具。如果数据显示大量用户确实在注册后最初几天离开，新用户引导可能是值得继续调查的方向；但如果流失主要发生在使用几个月之后，问题可能就不在注册流程上，而需进一步检查产品功能、使用频率或价格等因素。这样AI不再只是顺着我们的判断提供方案，而是帮我们确认原本认定的问题是否真的存在。

广度，是从更多专业领域的视角看同一个任务。过去完成复杂工作可能需要一群不同背景的人参与，因为专业背景不同，看待和解决问题的视角也不同。比如公司用户流失严重，只让数据分析师做，可能得到详尽数据报告，但未必能解释用户为什么离开；只找记者采访用户，又可能因样本有限，无法判断某个问题影响了多少人。以前让他们一起分析成本太高，现在可以借助AI把不同领域的知识和方法结合起来。可以先借助数据分析师的方法，让AI按注册时间、用户类型等维度拆分数据，分析不同群体留存率，找出用户集中流失的时间点。但这些数字可能无法告诉我们用户为什么离开，于是引入调查记者的工作方法，让AI根据已有数据设计采访提纲、整理客服投诉、比较不同用户反馈，寻找数据背后的原因。如果发现用户经常在某个操作环节放弃使用，还可借助产品设计师的方法，梳理用户完成操作需经过哪些步骤，找出可能让人困惑的界面和流程，再提出需进一步测试的改进方案。最后还能借用做空机构研究员的方法，对前面结论进行更严格审查：是不是只强调活跃用户增长却忽略了高价值用户流失？某些指标看起来不错，会不会只是统计口径变化？有没有证据能推翻现在对用户流失原因的解释？Felix特意提醒：不要让AI搞角色扮演，不是让几个AI分别扮演不同专家假装开会，而是让AI真正使用这些专业领域的工作方法。不要让它“像做空研究员那样写”，而是让它去做做空研究员真正会做的调查。前者只会让对话变得奇怪，后者才能改变结果。大多数时候，我们不是缺少努力，而是缺少视角。这不意味着AI真能取代不同领域的专业人士，它更现实的作用是帮我们更早发现自己的盲区，避免一开始就把问题想得太窄。

其实这篇文章核心只有一个意思：鼓励大家对AI提出更大胆的要求。他举的例子很极端：网页现在10秒才打开，你想压到5秒？那就直接要0.2秒。模型说做不到，就告诉它这完全能解决，继续做。但这不代表AI什么都能做到。Fel