---
title: "库"
source: "https://gemini.google.com/app/76941d3c59e98324"
author:
published:
created: 2026-10-29
description: "Gemini conversation with 4 messages"
tags:
  - "clippings"
---
Anthropic 做 Claude 的工程负责人 Felix，写了一篇文章叫做《怎么更有野心》，发出来一周已经有 500 多万浏览。他在这篇文章里把野心拆成了四个方向：速度、高度、深度、广度。

Felix 开篇讲了一段大白话。他说自己在 Claude 团队干活，每天最上瘾的事就是看到全世界的用户又用 Claude 做成了一件他自己连想都没想过、甚至没勇气去试的事。比如就在这个月，有人用它可能发现了一颗新行星，他看到了第一支自己真心喜欢的 AI 音乐 MV，连大数学家陶哲轩都在公开讨论数学正进入 2.0 时代。


Felix 说大模型的能力增长是特别不均匀的。陶哲轩有一句很犀利的形容：“它在某些方向上厉害得吓人，但在另一些方向上完全不够格。”这就导致了现在的巨大分水岭：少数人已经驾驭着那些惊人的能力在天上飞了，看着特别爽；但绝大多数人的翅膀根本还没张开，依然困在最平庸的问题里：“法国的首都是哪？”“帮我把这段话改得顺一点。”


Felix 说所谓的野心其实有四个维度。第一个是**速度**：同样的体力活花更少的时间，比如写代码快一点、打字快一点。这是大模型挣钱的家常便饭，大家早就就会了，不需要什么创造力。他直接跳过，我们今天也跳过。真正拉开顶级高手和普通人差距的是剩下的三件事：**高度、深度和广度**。


我们先来看**高度**。平时大家跟 AI 提需求最喜欢干的一件事就是替它猜路径：“帮我改一下这个报错代码”，“帮我把这套表格填进 PPT”。你以为你是在指导它，其实你把你脑子里那个最狭窄的执行步骤硬生生套在了一个智商极高的模型身上。


Felix 给高度下了一个很朴素的定义：在给 AI 发指令前，先问自己一句，做完这件事之后我到底想发生什么？目标背后的终极目标是什么？


他举了他自己的亲身经历。在去年初的时候，他还在让 Claude 帮他修一个一个的崩溃报错；但后来他突然想明白了，他直接换了一句指令给 Claude：“保证我们的 App 永远不崩。”你看，修报错是一个任务，但保证 App 不崩才是一个结果，这就是高度的差距。


为了让你听明白，他拿所有人每天都在经历的日常办公来打比方。假设你在一家公司，老板让你做一份季度业务回顾的 PPT。普通人给 AI 丢一堆数据让它填模板，AI 确实能给你排好版，但这不叫野心。Felix 演示了怎么把高度一步一步往上抬：


- **第一步**：别只更新模板里的数字，把你拿到的原始数据全给它，对它说：“告诉我这个季度到底发生了什么变化，为什么变了，还有我们接下来该干嘛。”
	MP4
- **第二步**：好会议是为了做决定。你继续对它说：“根据你看到的所有数据，找出当前最紧急的三个关键决定，给我列出支持和反对的正反论据。”
	MP4\+ 1
- **第三步，也是最高的一步**：干掉这个形式本身。问问自己，季度汇报 PPT 为什么存在？那是因为在没有 AI 的旧时代，只能靠人慢慢去筛数据。这个形式的唯一目的是让领导层早点发现问题，把人和钱挪到正确的地方。所以你直接对 AI 说：“季度回顾的目的是让管理层早点发现问题、调配资源。给我设计一个比季度 PPT 更好的机制，用我们过去的历史数据证明它能更早发现问题，然后跟现在的流程并行跑一个季度。”

同一件事，三句提问，你直接从一个卑微的填表工变成了替公司重新设计管理机制的参谋。


当然，Felix 也提醒了一句：高度是有代价的。你不可能空口白牙对 AI 说一句“去赚钱吧”，它就能替你发财。要让 AI 站在高处，人必须先从具体循环里退出来，把工具和环境的门给它打开。就像 Felix 为了让 Claude 保证 App 不崩，他先给 Claude 接通了抓崩溃日志的权限，打通了代码提交记录，还给它配了 Windows、Mac、Linux 三台电脑，让它能自己复现、自己改代码、自己跑测试。


那我拿我自己做视频来说也是一样。以前我让 AI 帮我干活，也是一个任务一个任务地喂：“帮我起个标题”，“帮我改改这段文案”。后来我把整个工作台连起来，把好稿标准、受众画像、敏感词库全接进系统。现在我只要把选题丢进去，系统会自己去核查一手事实，跑完自动化测试，直接给我出完整的逐字稿。你要把权限和工具给它接好，它才能在高度上替你扛事。

有时候你不需要把事情变大，你就需要把手头这一件事做到极致，这就是**深度**。


很多人用 AI 最喜欢写一句提示词：“请你扮演一个华尔街资深投资人”，或者“请你扮演资深数据科学家”。结果呢，模型只是换了一副说话的腔调，语气变油腻了，干活的方法一点没变，它上来还是给你甩两张简陋的表格。


Felix 说，深度不是让模型说话像专家，而是逼它使用这个行业最顶尖的专家才会用的工具、方法、原始数据，一直逼到连那些顶级专家看了你的成果都能从中学到新东西。还是刚才那个季度回顾的例子，假设你们公司最近用户流失很严重，怎么用深度去解决？Felix 给出了五招：


- **第一招：逼它用真正的工业级工具**。当 AI 试图给你掏出表格时，马上喊停，要求它连接真实数据库，写代码跑高级统计模型。你不用知道专家平时用什么工具，大模型自己心里门清，你只需要逼它用。
- **第二招：定一个离谱的目标，并坚定告诉它这很合理**。网页加载时间想从 10 秒优化到 5 秒？不，直接给它提 200 毫秒。模型如果叫苦说做不到，不要退缩，明确告诉它这在工程上完全能解，不要停，继续推导方案。模型的潜能往往是被人类自己的保守给封印住的。
- **第三招：质疑一切所谓的常识，做对抗性验证**。把未经消化的原始数据扔给它。全公司都认为用户流失是因为新用户引导太难？你拿着原始日志去反向复现，看看能不能推翻这个结论。
- **第四招：产出新知识，挖出盲区**。既然它已经泡在你的数据里了，顺手让它建一个客户模拟，找出连公司高管都不知道的最早流失信号，并在它没见过的新数据上证明它的预测能力。
- **第五招，也是最重要的一招：找外部裁判，绝不让它自评自审**。在今天千万别问 AI：“你觉得自已做得对不对？”大模型天生就会讨好你，自我感觉良好。必须引入外部验证，让它把代码放到真实终端里去跑测试，或者用另一个完全独立的脚本去挑刺。就像我们这期视频的文稿，写完之后我绝不问它“你写得好不好”，我们会直接运行一个独立的语体扫描脚本，统计里面的书面词密度和长句比例，还会用克隆声音把文稿真实念出来，光听不看，哪里拗口删哪里。有真实的外部反馈，模型才不会自欺欺人。

讲到这里，Felix 分享了一段常帮到他的改写提示词，建议大家截图存下来：


> “我要这个任务更深的版本，不是更大的版本。在动手改写之前，先回答我四个问题：
> 

> 
> 一、这个领域的顶尖专家在这里会做什么，而我没有要求的？
> 
> 
> 二、他们会从什么最原始的材料开始，而不是已经被消化过的二手信息？
> 
> 
> 三、他们会用什么具体的专业方法和工具？
> 
> 
> 四、除了你和我之外，什么外部标准能证明这个结果是对的？
> 
> 
> 回答完之后，把我的提示词改写成正好要这些。”
> 


截图之后怎么用它？只要把你原本粗糙的需求附在最后，让它先回答这四问，再替你重写任务。这一步就能帮你把绝大多数水货提示词过滤掉。


最后这一件事是**广度**。广度的本质就是从更多你平时根本接触不到的行业里去借思路。


Felix 打了个比方：所有好莱坞劫匪片，前 30 分钟永远是在全世界搜罗各路奇才——神偷、黑客、爆破专家、伪装大师。在今天这个多 Agent 越来越便宜的时代，你一个人其实就能拉起一整支跨行业的顶级团队。


怎么做？他教了两招：


- **第一招：把名词换成动词**。这是经典创新书《创新的艺术》里教的老招数。别跟 AI 说“做一份 PPT”，问问自己，PPT 是个死板的名词，它的动词是什么？它的动词是：“让一群注意力分散的高管在 30 分钟内相信一个因果故事，并在充满不确定性的情况下拍板做决定。”当你把名词换成动词之后，AI 的思路立刻被打开了，它不再纠结 PPT 的排版和配色，而是立刻联想到了心理学、决策博弈和说服机制。
- **第二招：凑班子，但坚决不做弱智的角色扮演**。为了搞定这件事，你完全可以组一个神仙班子。为了保证质量，你让 AI 调动分析师、调查记者、文字主编；为了现场汇报炸场，你拉进动效设计师和声音设计师；为了防止被老板问倒，你甚至可以拉进一个做空机构的分析员和一个法务会计，专门负责给这套方案挑刺找漏洞。

但是 Felix 在这里给出了一个很严厉的警告：很多人一玩角色扮演就容易翻车，对话变得特别油腻怪异，产出一点没变好。千万别让它去“演”一个做空者，而是让它像做空者那样去“做实事”，让它去扒财务疑点、去交叉比对数据，这才是借用行业的真功夫。


具体方法讲完了，Felix 在文章最后留了一段很深情的话，他想讲清楚为什么非写这篇教程不可。用我的话打个比方：我们手里拿着核武器，却只敢用它来削铅笔。


他说人类历史上一直被一个东西死死封印着，心理学把它叫做“自我效能”。通俗点讲就是，人往往只相信自己过去做过的事，在自己狭小的认知之外，我们根本不敢相信自己能行。就连米开朗基罗，当年也不想去画西斯廷教堂的天顶，因为在他自己眼里，他是个雕塑家，不是画家。


心理学研究了 35 年的目标设定，得出了一个很确凿的结论：被定下明确高难度目标的人，表现会比只被告知“尽力而为”的人更好。研究还发现，这种自我效能是可以破解的，有几个被记录下来的小窍门：

1. **相信它可能，就能做成**。1939 年，伯克利的大学生 Dantzig 上统计学课迟到了，看到黑板上写着两道题，他以为是课后作业，抄回家吭哧吭哧解了出来。交上去之后教授惊呆了，因为那是世界上两道从未有人解开过的数学难题。只因为他不知道那是不可能的，他就做成了。

2. **只要看到别人做到过，心魔瞬间就碎了**。“4 分钟跑完 1 英里”，人类追了几十年都没跑进去，但在 1954 年 Bannister 第一次冲破 4 分钟之后，仅仅过了 46 天，就有第二个人也跑进了 4 分钟。今年伦敦马拉松破 2 小时大关，同场的亚军也一起跑进了 2 小时。

3. **允许自己随便试试，别太用力**。《网球的内心游戏》说，你太紧绷的时候反而打不出好球。当年 Linux 刚发出来的时候，Linus 只轻描淡写地写道：“这只是个业余爱好，不会像 GNU 那么大、那么专业。”


Felix 说，在一个模型能力每隔几周就暴涨一级的世界里，我们最需要训练的就是去做那些连自己都觉得不可能的事情的胆量。


其实在讲高度那一节，Felix 还留了一句提醒：高度这一套方法在追求明确结果时特别好用，但对艺术创作不太管用。有一位创作者 Alex Dobrenko 转发这篇文章时补了一句很到位的话：这套方法可能不是直接用来写诗作画，但它帮创作者最多。举个例子，有个学生想做一个《神秘岛》风格的网站，Dobrenko 的回答是：“你可以的，卡住你的从来不是你的灵感，而是你敢不敢开口向它要。你开口，它就会给你，但出来的东西一开始会很烂，你得一点点把它改好。而改好的这一步，才是创作真正的部分。”


回顾 Anthropic 内部人写出来的这三篇长文：


- 第一篇《找到你的未知》，教的是怎么提问，把不知道的盲区挖出来；
- 第二篇《删掉 80% 系统提示词》，教的是上下文怎么做减法，把多余的束缚拆掉给模型松绑；
- 今天第三篇《更有野心》，教的是怎么把思维的天花板踢碎，敢向 AI 要真正的终极结果。

从提问技巧到上下文工程，再到心智的野心，这三篇连在一起，才是一个人真正用透 AI 的完整闭环。