AI 的天花板，是你的野心：速度、高度、深度、广度四个维度

Anthropic 工程主管 Felix Rieseberg 把“对 AI 更有野心”拆解为速度、高度、深度、广度四个维度。本文整理他的做法与实例，再加上我的实践笔记：用目标导向的指令，调度 Multi-AI Agents 专家团队做多视角交叉审查，提升任务质量。

2026/10/21 · 5 分钟阅读

Anthropic 工程主管 Felix Rieseberg 在《How to be more ambitious: A tutorial for humans with models》中提到：看到别人用 AI 做出惊人成果时，他和身边的人常有同一个反应：“我们还不够有野心。”

我的解读是：人类用 AI 的上限，往往卡在自己的野心与想象力，而不是模型。

他把“野心”拆解为四个维度：

先说结论：精准下达目标导向的指令，调度 Multi-AI Agents 专家团队做多视角协作与交叉审查，任务质量才会整体提升。

一、速度：最基本，也最少有人卡住

同样的工作用更短的时间完成。Felix 认为这一点大家已经很熟悉，文章直接略过。

我的看法：速度是 AI 最直观的价值，但只追求速度，协作方式不会有太大改变。真正拉开差距的是后面三个维度。

核心提问：下一步真正想要的结果是什么？目标背后的目标是什么？

Felix 的例子：

从修一个 Crash，到让 App 不再 Crash。 他原本请 Claude 修单个 Crash，后来改成要求 App 保持零 Crash。为了让这件事能持续自动运行，他得先改自己的流程：让 Crash 报告容易获取、把 App 版本对应到 Git Commit、让 Claude 能使用 Windows、macOS、Linux 机器复现并验证修复。
季度业务复盘（QBR）的三段升级：
1. 尽量使用原始数据，说明这一季变了什么、为什么、接下来该怎么做。
2. 找出 3 个最紧迫的决策，各自写出正反论点。
3. 设计一套比季度汇报更早发现问题的替代机制，用历史数据测试，再与现行流程并行运行一个季度。

他也提醒了边界：在 2026 年，像“Claude，去帮我赚钱”这种模糊目标还行不通，但他预期模型能处理的抽象层级会越来越高。

Felix 的做法：

用这个行业真正在用的工具。 模型常常只换了措辞、没换方法，丢一张 Markdown 表格就交差。要坚持使用数据库、统计模型这类真正的分析工具。
设定看似不合理的目标，并告诉模型这是可解的。 他的例子：网站加载时间从 10 秒压到 5 秒之后，再要求 200 毫秒。模型退缩时，坚持这个目标可以达成。
挑战你自己相信的假设。 把原始数据交给模型，用对抗的角度检验。例如：“我们认为流失是新手引导的问题，试着从原始数据复现这个结论。”
产生新知识。 从 Logs 建立模拟，找出你还不知道的最早流失信号，再用没见过的数据验证。
找外部裁判（Outside Judge）。 不让模型自己批改自己。最好接入一个模型可以直接执行、即时反馈的工具来验证。

他的 Prompt 心法是：要的是“更深的版本”，不是“更大的版本”。 请模型说出顶尖专业人士会多做什么、最原始的数据在哪里、要用哪些方法和工具，以及除了模型或你的判断之外，有什么能证明结果是对的。

用动词取代名词。 这个概念 Felix 引自《The Art of Innovation》。QBR 与其说是“一份汇报材料”，不如说是“在 30 分钟内，让忙碌的人理解因果、在不确定中做决定”。用动词定义目标，就能看出需要哪些领域的能力。
组一支团队。 要做出好的汇报材料，找分析师、记者、编辑；要上台汇报，再加动效与音效设计师。要做对抗审查，就找做空机构的研究员和法务会计师。
不要做没意义的角色扮演。 不是让模型“用做空机构的口吻来写”，而是让它真的执行做空机构研究其中一个环节的方法。只换口吻，结果不会更好。

前提是：模型要有一台能安装软件的电脑，并能通过 MCP 连接器等方式获取相关数据。

以下是我结合软件架构与工程实践的延伸，不是原文内容。

别问“做什么”，问“达成什么”。 设计不该停在 generate_deck_pdf() 这种被动的数据传递管线，而要提升到 resolve_leadership_uncertainty_and_commit_budget() 这种状态转换的意图。
定义真实的损失函数。 只要求产出物，模型会生成看似完美的废话；要求解决决策的不确定性，模型和 Sub-agent 才会主动补上逻辑漏洞和风险边界。