Artikel
Had atas penggunaan AI ialah cita-cita anda: kelajuan, ketinggian, kedalaman, keluasan
Felix Rieseberg, ketua kejuruteraan di Anthropic, menghuraikan "lebih bercita-cita dengan AI" kepada empat dimensi: kelajuan, ketinggian, kedalaman dan keluasan. Artikel ini meringkaskan cara kerja dan contoh beliau, kemudian menambah nota amalan saya: memberi arahan berorientasikan matlamat dan mengatur pasukan pakar Multi-AI Agents untuk semakan silang daripada pelbagai sudut bagi meningkatkan kualiti tugasan.
· 6 minit bacaan
Felix Rieseberg, ketua kejuruteraan di Anthropic, menulis dalam "How to be more ambitious: A tutorial for humans with models" bahawa apabila melihat orang lain mencapai hasil yang mengagumkan dengan AI, beliau dan orang di sekelilingnya sering mempunyai reaksi yang sama: "Kita belum cukup bercita-cita."
Tafsiran saya: had atas penggunaan AI oleh manusia selalunya terkunci pada cita-cita dan imaginasi sendiri, bukan pada modelnya.
Beliau menghuraikan "cita-cita" kepada empat dimensi:
- Kelajuan (Speed): menyiapkan kerja yang sama dalam masa lebih singkat.
- Ketinggian (Altitude): menaikkan tahap abstraksi dan melihat hasil akhir, bukan satu tugasan tunggal.
- Kedalaman (Depth): bekerja dengan piawaian, alat dan kaedah pakar terbaik dalam bidang itu.
- Keluasan (Range): keluar daripada satu bidang dan mencari penyelesaian merentas disiplin.
Kesimpulan dahulu: beri arahan yang tepat dan berorientasikan matlamat, kemudian atur pasukan pakar Multi-AI Agents untuk kerjasama dan semakan silang daripada pelbagai sudut; dengan cara itu kualiti tugasan meningkat secara keseluruhan.
I. Kelajuan: yang paling asas, dan paling kurang menjadi halangan#
Menyiapkan kerja yang sama dalam masa lebih singkat. Felix menganggap perkara ini sudah biasa bagi semua orang, jadi artikelnya terus melangkaunya.
Pendapat saya: kelajuan ialah nilai AI yang paling mudah dilihat, tetapi jika hanya mengejar kelajuan, cara kerjasama tidak banyak berubah. Yang benar-benar membezakan ialah tiga dimensi yang lain.
II. Ketinggian: bertanya tentang "matlamat di sebalik matlamat"#
Soalan utama: apakah hasil yang sebenarnya saya mahukan seterusnya? Apakah matlamat di sebalik matlamat saya?
Contoh Felix:
- Daripada membaiki satu crash kepada menjadikan aplikasi tidak lagi crash. Pada mulanya beliau meminta Claude membaiki satu crash, kemudian menukar permintaan supaya aplikasi kekal sifar crash. Supaya perkara ini berjalan berterusan dan secara automatik, beliau perlu mengubah proses kerjanya sendiri dahulu: memudahkan akses kepada laporan crash, memadankan versi aplikasi dengan commit Git, dan membolehkan Claude menggunakan mesin Windows, macOS dan Linux untuk menghasilkan semula serta mengesahkan pembaikan.
- Peningkatan tiga peringkat untuk semakan perniagaan suku tahunan (QBR):
- Sedaya upaya bermula daripada data mentah untuk menjelaskan apa yang berubah pada suku ini, mengapa, dan apa yang perlu dilakukan seterusnya.
- Kenal pasti 3 keputusan paling mendesak, dan tulis hujah menyokong serta menentang bagi setiap satu.
- Reka mekanisme pengganti yang mengesan masalah lebih awal daripada pembentangan suku tahunan, uji dengan data sejarah, kemudian jalankan selari dengan proses sedia ada selama satu suku.
Beliau juga mengingatkan batasannya: pada 2026, matlamat kabur seperti "Claude, pergi cari duit untuk saya" belum boleh berfungsi, tetapi beliau menjangkakan tahap abstraksi yang mampu dikendalikan model akan terus meningkat.
III. Kedalaman: menyamai tuntutan pakar terbaik dalam bidang itu#
Cara kerja Felix:
- Gunakan alat yang benar-benar digunakan oleh industri itu. Model sering hanya menukar perbendaharaan kata tanpa menukar kaedah, lalu menyerahkan jadual Markdown sekadar untuk melepaskan diri. Tegaskan penggunaan alat analisis sebenar seperti pangkalan data dan model statistik.
- Tetapkan sasaran yang kelihatan tidak munasabah, dan beritahu model bahawa ia boleh dicapai. Contohnya: selepas masa muat tapak web diturunkan daripada 10 saat kepada 5 saat, minta 200 milisaat. Apabila model berundur, tegaskan bahawa sasaran itu boleh dicapai.
- Cabar andaian yang anda percayai. Beri model data mentah dan minta ia memeriksanya dari sudut yang menyangkal. Contohnya: "Kami percaya pengguna pergi disebabkan onboarding; cuba hasilkan semula kesimpulan ini daripada data mentah."
- Hasilkan pengetahuan baharu. Bina simulasi daripada Logs, cari isyarat pengguna beralih pergi yang paling awal yang belum anda ketahui, kemudian sahkan dengan data yang belum pernah dilihat.
- Cari hakim luar (Outside Judge). Jangan biarkan model menilai dirinya sendiri. Sebaik-baiknya sambungkan alat yang boleh dijalankan terus oleh model dan memberi maklum balas serta-merta untuk mengesahkan hasil.
Prinsip Prompt beliau: yang dimahukan ialah "versi yang lebih mendalam", bukan "versi yang lebih besar". Minta model menyatakan apa yang akan dilakukan lebih oleh profesional terbaik, di mana data paling mentah berada, kaedah dan alat apa yang digunakan, dan apa yang, selain model atau pertimbangan anda sendiri, boleh membuktikan hasilnya betul.
IV. Keluasan: kata kerja menggantikan kata nama, dan bentuk pasukan pakar#
- Kata kerja menggantikan kata nama. Felix memetik konsep ini daripada "The Art of Innovation". Daripada "sebuah pembentangan", QBR menjadi "dalam 30 minit, membuat orang yang sangat sibuk memahami sebab dan akibat serta membuat keputusan dalam ketidakpastian". Dengan mentakrifkan matlamat menggunakan kata kerja, kelihatan kemahiran daripada bidang mana yang diperlukan.
- Bentuk sebuah pasukan. Untuk menghasilkan pembentangan yang baik, diperlukan penganalisis, wartawan dan editor; untuk membentangkannya di pentas, tambah pereka animasi dan bunyi. Untuk semakan yang menyangkal, libatkan penyelidik dana short seller dan akauntan forensik.
- Jangan berlakon tanpa makna. Bukan dengan menyuruh model "menulis dengan nada dana short seller", sebaliknya meminta ia benar-benar menjalankan salah satu kaedah penyelidikan dana seperti itu. Hanya menukar nada tidak menjadikan hasilnya lebih baik.
Prasyaratnya: model perlu mempunyai komputer tempat ia boleh memasang perisian, dan dapat mengakses data yang berkaitan, contohnya melalui penyambung MCP.
V. Nota amalan saya: daripada "pemindahan data" kepada "pencapaian hasrat"#
Yang berikut ialah pengembangan saya berdasarkan seni bina perisian dan amalan kejuruteraan; ia bukan kandungan artikel asal.
1. Jobs to be Done dan berorientasikan hasrat (Intent-Based)#
- Jangan tanya "buat apa", tanyalah "capai apa". Reka bentuk tidak sepatutnya berhenti pada saluran pemindahan data yang pasif seperti
generate_deck_pdf(), tetapi perlu dinaikkan kepada hasrat peralihan keadaan seperti resolve_leadership_uncertainty_and_commit_budget().
- Takrifkan fungsi kerugian (loss function) yang sebenar. Jika hanya meminta hasil siap, model akan menghasilkan kata-kata kosong yang kelihatan sempurna; jika meminta penyelesaian ketidakpastian keputusan, model dan Sub-agent akan secara aktif menampal jurang logik dan sempadan risiko.
- Semasa meneroka, bercabang dahulu untuk mencari kemungkinan, kemudian menumpu.
- Semasa mengesahkan, jangan bercabang lagi. Elakkan soalan tanpa sempadan seperti "perkara ini boleh dibuat dengan cara apa lagi?", yang hanya mendatangkan jawapan umum.
- Tulis dengan jelas skop matlamat, kekangan dan alat pengesahan yang objektif (skrip ujian tertentu, ambang penunjuk perniagaan), supaya pasukan Multi-Agent melakukan ujian tekanan dalam rangka yang berfokus dan menyerahkan hasil berkualiti tinggi.
Ringkasan nota#
- Berorientasikan matlamat: kata kerja menggantikan kata nama. Serahkan hasil yang menyelesaikan masalah, bukan sekadar produk keluaran untuk melepaskan tugas.
- Meneroka dan menumpu: semasa meneroka, bercabang untuk mencari kemungkinan; semasa pengesahan, menumpu dengan ketat dan menyemak sempadan.
- Fokus abstraksi: bermula daripada soalan utama, kemudian bina semula seluruh aliran tugasan.
- Kedalaman pakar: bukan sekadar meniru nada pakar, tetapi memaksa model menyelesaikan masalah dengan alat dan kaedah pakar terbaik.
Artikel asal: How to be more ambitious: A tutorial for humans with models (Felix Rieseberg, 2026-10-13)