导读：本文保留原文内容、结构和全部有效配图，仅补充排版、SEO 与 FAQ。文中数据来自 Anthropic 团队在特定商业分析任务、样本规模与随机提示设置下的实验观察，不应被简化为 AI 可普遍“控制思想”的结论；实际使用应建立独立判断、反方审查与证据留痕机制。
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 的时候吗？写提示词前，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”。
网上还流行过各种提示词模板，好像不加这几句，AI 就不肯好好干活。
可在 Anthropic 的工程负责人 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。可更多的人，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，题目叫《How to be more ambitious: A tutorial for humans with models》，意思是“写给用模型的人类：怎样更有野心”。
文章地址：
https://felixrieseberg.com/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 自己也这么喊，但他知道，这话说起来容易，真要照着做很难。
他把“野心”拆成了四种：速度、高度、深度、广度。
速度就是同样的活干得更快，这是 AI 最成熟的用法，他直接跳过了。剩下三种，才是他真正想讲的。
◈一、高度：从完成任务到想清真正的目标
他提到的第一个方向是“高度”。简单来说，就是给 AI 布置任务时，往上多问一层：我为什么要做这件事？
Felix 在文章里提出的一个问题，可以很好地解释他的问题：
“我真正希望接下来发生什么？当前目标背后，还有什么更深一层的目标吗？”
为了更好地让读者理解，Felix 还举了个例子：
假设你是一名公司员工，老板让你制作一份季度业务复盘 PPT，你会怎么用AI去完成。
按照我们平时使用 AI 的习惯，可能会把数据交给 Claude，让它整理一下，再自动生成一份漂亮的 PPT。
做到这一步，已经能节省不少时间。
但作者认为，这还不够。
因为制作 PPT 本身并不是目的，让公司知道这个季度发生了什么、为什么会发生，以及接下来该怎么办才是真正的目的。
因此，与其让 AI 帮你更新 PPT 上的数字，不如直接让它分析公司的经营数据，找出问题，甚至提出接下来应该做出的决策。
再往前一步，如果 AI 已经能够持续分析业务数据、及时发现问题，公司真的还需要等到每个季度结束，再专门开一次复盘会吗？
所以 Felix 建议，不妨让 AI 想一想，除了每个季度做一次 PPT 汇报，还有没有办法更早发现公司经营中的问题？
比如，可以先让 AI 分析公司过去的数据，看看能不能从中找到一些被忽略的预警信号。如果这些信号确实有用，可以尝试用新方法监测接下来一个季度的业务情况，再和原来的季度汇报比较，看看哪种方式能更及时地发现问题。
我觉得这个提醒非常实用。
很多时候，我们给 AI 提要求，只是在把过去的工作习惯原封不动地搬到 AI 身上。
以前需要自己搜集资料，现在让 AI 搜集；以前需要自己做表格，现在让 AI 做表格。就算原本的工作流程并不合理，但是我们也会让 AI 重复下这套流程。
当然，这不是说以后做什么事都要先让 AI 重新设计一遍工作方式。
只是下次，我们面对一项复杂、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？
◈二、深度：从扮演专家到用上专业方法
接下来是“深度”，也就是让 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。
现在很多人喜欢在提示词里加上一句：“你是一名拥有 20 年经验的行业专家。”
但问题是，这样做真的能让 AI 更专业吗？
Felix 认为，当你要求模型“像专业人士一样工作”时，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，一家公司最近流失了不少用户。你去问 AI，该怎么解决这个问题？
它可能会告诉你，需要改善用户体验、优化产品功能、提高用户满意度。
这些话当然没错，但仔细想想，几乎任何一家公司遇到用户流失，都可以得到类似的建议。至于用户究竟为什么离开，又该优先解决什么问题，依然没有答案。
Felix 建议，与其让 AI 扮演一名专业的数据分析师，不如直接让它使用数据分析师真正会用的工具。
还是拿这家虚构的公司当例子，假设公司内部一直认为，用户流失是因为新用户引导做得不够好，导致很多人注册后不知道如何使用产品。
按照过去的习惯，员工可能会把这个判断告诉 AI，再让它提出一些优化建议，比如简化注册流程、增加新手教程等。
但作者建议，不妨反过来，把原始数据交给 AI，让它试着复现这个结论，看看到底对不对。
比如可以让 AI 访问公司已有的用户行为数据，包括用户什么时候注册、使用了哪些功能、多久登录一次，以及最终在什么时候停止使用产品。
接下来，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的最初几天离开，那么新用户引导可能是一个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，那么问题可能就不在注册流程上，而需要进一步检查产品功能、使用频率或者价格等其他因素。
这样一来，AI 不再只是顺着我们的判断提供解决方案，而是帮助我们确认，原本认定的问题是不是真的存在。
Felix 还分享了一段自己常用的提示词，可以直接复制使用：
相比简单地说一句“你是一名行业专家”，这显然要具体得多。
◈三、广度：从单一视角到跨专业找解法
第三种叫广度：从更多专业领域的视角看同一个任务。
Felix 提到，过去完成一项复杂工作，可能需要找来一群不同背景的人一起参与。因为专业背景不同，看待问题、解决问题的视角也会完全不同。
比如，一家公司发现最近用户流失严重，想要弄清楚原因。如果只让数据分析师来做，可能会得到一份详尽的数据报告，但未必能解释用户为什么离开。如果只找记者采访用户，又可能因为样本有限，无法判断某个问题究竟影响了多少人。
以前如果想要让他们一起来分析，成本太高，现在有了 AI，我们可以借助它，把不同领域的知识和方法结合起来。
问题是，我们怎么判断自己需要哪些专家，以及如何让他们帮忙呢。
这时候，可以先借助数据分析师的方法，让 AI 按照注册时间、用户类型等维度拆分数据，分析不同群体的留存率，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，就可以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，比较不同用户的反馈，帮助我们寻找数据背后的原因。比如，究竟是产品不好用、价格太贵，还是用户找到了更好的替代品？
如果发现用户经常在某个操作环节放弃使用，还可以借助产品设计师的方法，梳理用户完成这项操作需要经过哪些步骤，找出可能让人困惑的界面和流程，再提出需要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，对前面得出的结论进行一次更严格的审查：是不是只强调了活跃用户增长，却忽略了高价值用户的流失？某些指标看起来不错，会不会只是统计口径发生了变化？有没有什么证据，能够推翻我们现在对用户流失原因的解释？
这里 Felix 特意提醒了一句：不要让 AI 搞角色扮演。不是让几个 AI 分别扮演不同专家，然后坐在一起假装开会，而是让 AI 真正使用这些专业领域的工作方法。
这里 Felix 特意提醒了一句：别让 AI 搞角色扮演。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。
这一点对普通人其实很有吸引力。因为大多数时候，我们不是缺少努力，而是缺少视角。
过去如果遇到这些问题，要么自己慢慢学，要么找专业人士帮忙，但是成本都不低。
当然，这不意味着 AI 真的能取代不同领域的专业人士。它更现实的作用，是帮助我们更早发现自己的盲区，避免一开始就把问题想得太窄。
◈四、最后：从相信答案到验证结果
其实这篇文章说了这么多，核心只有一个意思，就是鼓励大家对 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。
这个思路很有意思，但这不代表 AI 什么都能做到。
Felix 自己也承认，到了 2026 年，只丢给 AI 一句“去赚钱”，对大多数公司来说还转不起来。而且前面这些做法都有一个前提：AI 得有一台能装软件的电脑，还要能接触到真实的数据。
更要紧的是，AI 有时会一本正经地告诉我们，它已经完成了某项工作，实际上可能只是生成了一份看起来不错的答案。
所以作者也特别强调：“不要让模型自己评判自己的工作成果。”
比如，还是前面那家用户流失的公司。
如果 AI 通过分析历史数据，发现某些用户行为与流失存在关联，甚至建立了一套预测用户流失的模型，我们当然可以继续要求它完善分析，但不能仅仅因为 AI 认为模型表现不错，就认定它真的有效。
更可靠的方法，是拿出一部分此前没有参与分析的数据，检验它能否准确预测这些用户的行为。
其他任务也是一样。如果让 AI 写代码，就要真正运行测试；如果让 AI 做研究，就要回到原始资料核实结论；如果让 AI 制作商业报告，也要检查数据来源和计算过程，而不只是让它评价报告是否专业。
换句话说，我们不仅要告诉 AI 需要完成什么任务，还应该提前想清楚，完成任务的标准是什么样的。
这其实也是更大胆地使用 AI 所需要的一种能力。
毕竟，当我们只是让 AI 润色一段文字时，自己往往很容易判断结果好不好。但如果让它分析成千上万条数据，或者完成一项我们并不熟悉的专业工作，就不能只依靠自己的直觉，更不能完全依赖 AI 的自我评价了。
因此，敢于向 AI 提出更高的要求，同时找到可靠的方法检验结果，才能让它真正承担起更复杂的工作。
说到底，这份指南的核心并不是教我们怎样写出更长、更复杂的提示词，而是提供了一套更具体的使用 AI 的方法。
从提高工作速度，到重新思考目标、深入研究问题，再到借用不同领域的方法，Felix 想鼓励的，其实是让我们不再只把 AI 当成一个提高效率的工具，而是尝试用它完成一些过去不知道该如何着手的复杂工作。
下一次使用 AI 时，或许可以从一个简单的问题开始尝试他的建议：除了按照原来的方式帮我完成这件事，还有没有更好的办法？
参考文献
[1] Felix Rieseberg: https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/
扩展阅读
更多 AI 资讯：https://www.zuoshipin.com/archive/75
常见问题
- 研究是否证明 AI 能控制人的思想？
不能这样概括。研究观察的是特定任务、样本和提示条件下，AI 建议如何影响专家的分析选择与事后归因。 - 不用 AI 是否更安全？
不一定。研究中不用 AI 的参与者也出现更多方法或代码错误。关键是设计独立复核、反方论证和可追溯流程。 - 怎样降低锚定效应？
可先独立记录初步方案，再查看 AI 建议；要求 AI 提供反方论证；把关键决策与证据链留档。 - 人类审核还重要吗？
重要，但不能只保留最终签字。需要对指标、方法、范围和权重等中间决策设置明确的审查机制。 - 能否把实验结果推广到所有行业？
不能。不同任务、专业、模型、提示方式和责任制度会改变影响程度。
