Anthropic 工程师 Felix Rieseberg 讲解用 AI「想得更大」的四个方向：快、高、深、广

meng shao· @shao__meng · X·2026-10-23 22:16· 25 分钟前AI 评分66

AI 导读

邵猛转述 Claude 团队 Felix Rieseberg 的文章，把「对 AI 更有野心」拆成速度、高度、深度、广度四个方向，并用季度业务回顾 QBR 逐级演示提问方式。

正文 · 原文

【X 长文】用 AI 时怎样“想得更大”：Anthropic 工程师给出的四个方向「快、高、深、广」和完整落地实践

多数人用 AI 时，卡住他们的往往不是模型能力，是不敢提要求。Claude 团队 Felix Rieseberg 把“更有野心”拆成四个方向：速度、高度、深度、广度，并用同一个例子（季度业务回顾 QBR）逐级演示怎么提问。

- 速度（Speed）：同样的事做得更快。这是 AI 最主要的经济价值，但不需要什么创造力，作者略过不讲。

- 高度（Altitude）：不交代单个任务，而是交代你想要的结果。比如他不再让 Claude 修某个崩溃，而是让它“保持应用不崩溃”。

- 深度（Depth）：用领域顶尖专家的方法做事，直接处理底层数据和工具，不停留在任务表面。

- 广度（Range）：引入原本不会请到的其他领域的知识和手段。

1. 给模型尽可能多的数据，让它回答三个问题：这季度变了什么、为什么变、该怎么办。不要只替换模板里的数字。

1. 让它找出最急的三个决策，并为每个方向写出支持和反对的理由。

1. 回到 QBR 本来的目的，也就是让管理层尽早发现问题、把钱和人投到对的地方。让模型设计一套比季度 PPT 更好的机制，用公司自己的历史数据证明它能更早发现问题，再和现有流程并行跑一个季度。

Felix 提到几个适用条件：

- 你追求的是一个明确的最终结果时最有效，创意类工作效果较差。

- 一个判断信号是：如果这件事需要开会讨论，就适合往上提。

- 要让模型能独立完成闭环，往往得先改造工作环境。比如“保持不崩溃”之前，他先让 Claude 能拉取崩溃报告、把版本号对应到 git commit，还给了它 Windows、macOS 和 Linux 三个平台的机器来复现和验证。

- 用专家真正用的工具。模型扮演专家时，常常只换了用词，方法没变。它用 Markdown 表格时，要坚持让它改用数据库和统计模型。

- 定一个离谱的目标，并告诉模型这很合理。网页加载要从 10 秒降到 5 秒，那就直接要 200 毫秒。

- 挑战已有认知。例如：“我们认为流失是新用户引导出了问题，请用原始数据验证一下。”

- 产生新知识。用日志模拟客户，复现过去一年的情况，找出还没人发现的最早流失信号，再用模型没见过的数据验证它能不能预测。

- 请外部裁判。不要让模型自己评判自己。作者认为到 2026 年 10 月这一点仍然必要，最好是一个模型能自己运行、马上得到反馈的工具。

Felix 给了一段通用提示词，大意是：我要的是更深的版本，不是更大的版本。改写之前先说清四件事：

1. 顶尖从业者会做哪些我没要求的事；

1. 他们会从哪些最原始的材料入手；

1. 他们会用哪些具体的方法和工具；

1. 除了你和我之外，靠什么证明结果是对的。

然后再把我的提示词改写成这个要求。

- 把名词换成动词。这个方法出自《The Art of Innovation》。QBR 不是“一份 PPT”，而是“在 30 分钟内让忙碌的人相信一个因果故事，并在不确定中做决定”。这样更容易看出该请哪些领域的人。

- 组一支团队。做内容需要分析师、记者、编辑，要上台讲还得加动效和音频设计；再加一组唱反调的人，比如做空者和法务会计。关键是让模型去做做空者会做的调研，而不是模仿做空者的口吻写作，否则只是角色扮演，结果并不会变好。

前提条件：以上做法都要求模型有一台能装软件的电脑，并能接入相关数据（通过 MCP 连接器或其他方式）。

Felix 借用心理学里的 “自我效能感” 概念：人越相信自己能做到，实际完成的就越多。他举了几种提高自我效能感的方式：

- 相信能做到。 Dantzig 上课迟到，把黑板上两道统计学未解难题当成作业做出来了。

- 看别人做到。 1954 年 Bannister 首次跑进 4 分钟一英里，46 天后就有第二个人做到。今年伦敦马拉松首次有人跑进 2 小时，同场第二名也跑进了。

- 允许失败。他引用了《The Inner Game of Tennis》，以及 Linux 最初被宣布为“只是个业余项目”。

他还引用了 Locke 和 Latham 的目标设定研究：被给定具体、困难的目标，比被要求“尽力而为”表现更好。

我自己的读后感

- 最有价值的是“深度”一节的两点：模型换了用词不等于换了方法，以及不要让模型自己当裁判。这两点可以直接用来检查任何 AI 产出。

- “高度”一节的关键在后半段：要把任务往上提，先得把环境搭好，让模型能拿到数据、复现问题、验证结果。这和 OpenAI FDE、Boris Cherny 那几篇的结论一致，模型能力的上限取决于它所在的工作环境。

- 广度的技巧最依赖使用者自己的想象力，作者也承认这点不容易做到。

来源：meng shao · x.com