为什么值得读
文章不是泛泛谈'AI 很强'或功能快讯,而是给出可复用的四类野心框架与大量具体提问模板、工作流改造细节(如为让 Claude 保持应用不崩溃而先期搭建崩溃报告、版本与 git 映射、多平台复现环境),并引用洛克与莱瑟姆的目标设定研究、四分钟一英里、丹齐格等论据支撑。观点基于作者一手工作经验,非拼接综述,几个月后仍可作为使用方法论参考。
适合读者:希望把大模型从问答工具升级为真正生产力的工程师、产品与业务人员、AI 工具重度使用者
作者是 Claude 团队成员,提出把使用 AI 的野心拆成速度、高度、深度、广度四类,并给出具体可操作的提问与工作流改造方法(如让模型直接瞄准最终结果、坚持使用专业工具与统计模型、引入外部裁判、用'名词变动词'和'组建团队'扩展跨领域视角),最后借用自我效能感研究解释为何人们需要这些方法。
关键段落 · 对照翻译
原文节选
Models are, as Terence Tao puts it, "astounding in some directions, while inadequate in others".
AI 中文翻译
正如陶哲轩所说,模型'在某些方向上令人惊叹,在另一些方向上则不够用'。
原文节选
I want a deeper version of this task, not a bigger one.
AI 中文翻译
我要的是这个任务的更深版本,而不是更大版本。
原文节选
humans who are given specific hard goals perform better than those who are simply told to try their best.
AI 中文翻译
被给予具体而困难目标的人,表现优于只被告知尽力而为的人。
AI 解读
作为AI判断:作者以自身在 Claude 团队的经验,把'更有野心地用 AI'操作化为高度、深度、广度三类可执行方法(速度一类作者主动略过),核心主张是让模型直接面向最终结果、使用专业级工具与原始数据、并跨领域借方法,同时强调外部验证与工作流改造。文中对模型能力的判断带有明确时间限定(2026年),不构成对通用能力上限的定论。
适用边界与待思考的问题
方法多为个人经验与案例,缺少对照实验或量化效果;作者主要使用 Claude;文中未提供跨模型对照验证;'设定不合理目标并宣称可行'依赖模型与工具链质量,可能诱使过度自信或浪费算力;高度型抽象对创意类工作效果较差,作者本人也承认;'模型能做更高抽象'属观察性判断,'Claude,去赚钱'这类极端目标已被作者承认为当前局限。
来源与整理说明
原始标题:How to be more ambitious: A tutorial for humans with models
原文获取:2026-11-08
生成模型:deepseek-flash · 整理时间:2026-11-08
自动筛选 · 引文已与所取原文匹配 · 未经人工审核。原创性按一手来源及转载线索判断,未做全网查重;引文匹配不代表翻译和解读完全正确。