### [写给用模型的人类：怎样使用 AI 更有野心](https://www.zuoshipin.com/article/62279)

**Published:** 2026-10-31T12:43:49

**Author:** 天才交易员

**Excerpt:** 完整保留 Anthropic 关于 AI 影响专家判断的实验解读和配图，补充实验边界、复核建议、SEO 与常见…

**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**”。

![模型使用与人机协作观点](https://admin.zuoshipin.com/wp-content/uploads/2026/10/anthropic-30700-i1-i1-out-1.webp)

模型使用与人机协作观点

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。

![AI 辅助探索的实践案例](https://admin.zuoshipin.com/wp-content/uploads/2026/10/anthropic-30700-i2-i2-out-1.webp)

AI 辅助探索的实践案例

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？

![模型能力与人的判断边界](https://admin.zuoshipin.com/wp-content/uploads/2026/10/anthropic-30700-i3-i3-out-1.webp)

模型能力与人的判断边界

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。

![学习与创作过程展示](https://admin.zuoshipin.com/wp-content/uploads/2026/10/anthropic-30700-i4-i4-out-1.webp)

学习与创作过程展示

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：

![AI 工具使用方法示意](https://admin.zuoshipin.com/wp-content/uploads/2026/10/anthropic-30700-i5-i5-out-1.webp)

AI 工具使用方法示意

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。**

![人机协作的反思与建议](https://admin.zuoshipin.com/wp-content/uploads/2026/10/anthropic-30700-i6-i6-out-1.webp)

人机协作的反思与建议

#### ◈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。**

![文章结论与延伸思考](https://admin.zuoshipin.com/wp-content/uploads/2026/10/anthropic-30700-i7-i7-out-1.webp)

文章结论与延伸思考

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](https://www.zuoshipin.com/archive/75)

## 常见问题

1.  **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。
2.  **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。
3.  **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。
4.  **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。
5.  **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。

**Tags:** AI对齐, Anthropic, 人机协作

**Categories:** AI资讯

---