AI 的天花板，是你的野心：速度、高度、深度、廣度四個維度

Anthropic 工程主管 Felix Rieseberg 把「對 AI 更有野心」拆解為速度、高度、深度、廣度四個維度。本文整理他的做法與實例，並加上我的實踐筆記：以目標導向的指令，調度 Multi-AI Agents 專家團隊進行多角度交叉審查，提升任務質素。

2026/10/21 · 5 分鐘閱讀

Anthropic 工程主管 Felix Rieseberg 在〈How to be more ambitious: A tutorial for humans with models〉中提到：看到別人運用 AI 做出驚人成果時，他和身邊的人常有同一個反應：「我們還不夠有野心。」

我的解讀是：人類運用 AI 的上限，往往受制於自己的野心與想像力，而不是模型。

他把「野心」拆解為四個維度：

先說結論：精準下達目標導向的指令，調度 Multi-AI Agents 專家團隊進行多角度協作與交叉審查，任務質素才會整體提升。

一、速度：最基本，也最少人卡關

同樣的工作用更短的時間完成。Felix 認為這一點大家已很熟悉，文章直接略過。

我的看法：速度是 AI 最直觀的價值，但只追求速度，協作方式不會有太大改變。真正拉開差距的是後面三個維度。

核心提問：下一步真正想要的結果是什麼？目標背後的目標是什麼？

Felix 的例子：

從修復一個 Crash，到讓 App 不再 Crash。 他原本請 Claude 修復單一 Crash，後來改為要求 App 保持零 Crash。為了讓這件事能持續自動運行，他須先改動自己的流程：讓 Crash 報告容易取得、把 App 版本對應到 Git Commit、讓 Claude 能使用 Windows、macOS、Linux 機器重現並驗證修正。
季度業務檢討（QBR）的三段升級：
1. 盡量使用原始數據，說明這一季有什麼變化、原因何在、接下來該怎樣做。
2. 找出 3 個最迫切的決策，各自寫出正反論點。
3. 設計一套比季度簡報更早發現問題的替代機制，用歷史數據測試，再與現行流程並行運作一季。

他也提醒界線所在：在 2026 年，像「Claude，去幫我賺錢」這類模糊目標仍然行不通，但他預期模型能處理的抽象層次會越來越高。

Felix 的做法：

使用這個行業真正在用的工具。 模型常常只換了用詞、沒換方法，丟出一張 Markdown 表格便交差。要堅持使用資料庫、統計模型這類真正的分析工具。
設定看似不合理的目標，並告訴模型這是可解的。 他的例子：網站載入時間由 10 秒壓縮到 5 秒之後，再要求 200 毫秒。模型退縮時，堅持這個目標可以達成。
挑戰你自己相信的假設。 把原始數據交給模型，以對抗的角度檢驗。例如：「我們認為流失是新手引導的問題，試着從原始數據重現這個結論。」
產生新知識。 從 Logs 建立模擬，找出你還未知道的最早流失訊號，再用未看過的數據驗證。
找外部裁判（Outside Judge）。 不讓模型自己批改自己。最好掛接一個模型可以直接執行、即時回饋的工具來驗證。

他的 Prompt 心法是：要的是「更深的版本」，不是「更大的版本」。 請模型說出頂尖專業人士會多做什麼、最原始的數據在哪裏、要用哪些方法和工具，以及除了模型或你的判斷之外，有什麼能證明結果是正確的。

以動詞取代名詞。 這個概念 Felix 引自《The Art of Innovation》。QBR 與其說是「一份簡報」，不如說是「在 30 分鐘內，讓忙碌的人理解因果、在不確定中作出決定」。以動詞定義目標，就看得出需要哪些領域的能力。
組一支團隊。 要做出好的簡報，找分析師、記者、編輯；要上台匯報，再加動態與音效設計師。要做對抗審查，就找沽空機構的研究員和法證會計師。
不要做沒意義的角色扮演。 不是叫模型「用沽空機構的口吻來寫」，而是叫它真的執行沽空機構研究其中一個環節的方法。只換口吻，結果不會更好。

前提是：模型要有一部能安裝軟件的電腦，並能透過 MCP 連接器等方式取得相關數據。

以下是我結合軟件架構與工程實務的延伸，不是原文內容。

別問「做什麼」，問「達成什麼」。 設計不應停留在 generate_deck_pdf() 這種被動的資料傳遞管線，而要提升到 resolve_leadership_uncertainty_and_commit_budget() 這種狀態轉換的意圖。
定義真實的損失函數。 只要求產出物，模型會生成看似完美的廢話；要求解決決策的不確定性，模型和 Sub-agent 才會主動補上邏輯漏洞和風險邊界。

探索時先發散尋找可能，再收斂。
驗收時不要再發散。避免問「這件事還可以怎樣做？」這類沒有邊界的問題，只會換來泛泛之談。
明確寫出目標範圍、限制條件和客觀驗證工具（特定的測試腳本、業務指標門檻），讓 Multi-Agent 團隊在聚焦的框架內進行壓力測試，交出高質素的成果。