设定一些离谱一点的目标，再认真告诉模型：这事儿完全能成。
Claude Code 桌面版负责人 Felix Rieseberg 分享过一个特别有意思的小窍门。你想把网站加载时间从 10 秒压到 5 秒？别急着把目标定在 5 秒，直接扔给模型 0.2 秒。模型一开始大概率会愣一下，像个刚被老师点名的学生，眨眨眼，心里写着“你认真的吗”。这时候别收手，继续告诉它：这个问题可以解决，换个角度再来一遍。很多时候，AI 不是缺本事，缺的是被你推一把的胆子。
他还提过另一个很妙的办法，把任务里的名词换成动词。原本一句“做一份汇报 PPT”，听上去像一项平平无奇的办公活儿，像便利店货架上摆着的一瓶矿泉水，没什么波澜。换个说法，变成“在 30 分钟内，让一群忙碌的人信服你对事情前因后果的解释，并在局势还没完全明朗时做出决策”，整个事情的骨架一下就立起来了。任务不再只是交付一份材料，而是推动一群人真的理解、真的判断、真的行动。
我在 Claude 团队工作。每天最让人着迷的地方，就是总会冒出一些新东西，借助 Claude 做成了，甚至干脆由 Claude 独立完成了。那些事情里，有些我从没想过，有些我原本觉得八成没戏，还有些属于我自己也没抽出时间去碰的角落。这个月，Claude 可能协助发现了一颗新行星；我还看到第一支真正让我喜欢的 AI 音乐视频；数学的新时代也开始被人认真讨论。一个模型的能力从来不是齐刷刷往前冲，像一队整齐划一的队伍，它更像一片长势不一的庄稼地，这边已经结穗，那边还在抽芽。陶哲轩说得很准，它们在某些方向上惊艳得很，在另一些方向上还差着火候。
有些人已经学会把模型那些惊人的能力用得飞起，像真长出了一双翅膀，看得人心里直痒痒。更多人还在摸索，琢磨这副新器官到底该怎么用，像第一次骑自行车的人，左摇右晃，嘴上说着“别慌”，手心已经出了汗。很多人问 AI 的问题还停留在“法国首都是哪里”“这封邮件能不能改得客气一点”，问法没错，格局却还没打开。我们常挂在嘴边的一句话是：用 AI，得更有野心一点。
这话听着容易，真做起来一点都不轻松。野心不是虚头巴脑地喊口号，也不是把需求往天上抛得越高越好。野心分成四种：速度、高度、深度、广度。速度很好懂，原本要熬夜写的代码，借助模型，半小时就能跑起来；原本要反复修改的文案，几轮来回就能敲定。更高一级的玩法，是把任务从“怎么做”往上提到“想达到什么结果”。人类总爱盯着过程，模型有时更适合盯着终点。你想要一份季度复盘，表面上看是做 PPT，往深里一看，其实是让忙碌的人在有限时间里听懂真相，作出判断。
深度这件事，像掘井。浅水区拍两下水花，大家都能看见，真正见功夫的地方，在井底。让模型像顶尖专家那样思考，不是让它摆出一副“我很专业”的姿态，而是逼它去碰最原始的材料，去用真正有分量的工具，去追问那些最容易被忽略的小缝隙。广度更有意思，像请来一桌背景各不相同的朋友一起吃饭。记者看的是叙事，分析师盯着数据，法务会计师会对每一个假设皱眉，设计师会想到呈现方式，红队成员会专门挑刺。一个问题放到不同脑袋里转一圈，常常会露出新的筋骨。
季度业务复盘就是个特别适合练手的例子。把数据丢给 Claude，让它填表，当然能做。真正有意思的地方，在于你能不能让它先理解业务。这个季度到底变了什么，为什么会变，接下来该往哪儿走。不是只看数字跳动，而是看数字背后的人，背后动作，背后选择。很多公司做复盘，做着做着就成了“交差”，像把一锅炖菜匆匆装进饭盒，样子在，味道散了。模型如果用得好，完全可以帮你把这锅汤重新熬出层次。
再往前走一步，问题就从“发生了什么”变成“该做什么”。一场像样的会议，最好别停在热热闹闹的讨论里，得有东西落地。你可以直接问模型：根据你掌握的全部信息，眼下最紧急的三项决策是什么，各自支持的理由和反对的理由是什么。模型这时候像个不知疲倦的参谋，帮你把桌面上的牌摊开，把能走的路一条条摆出来。人最怕的不是没有选择，最怕的是看不清选择。
真正厉害的做法，还不止于此。你甚至可以让模型重新设计这件事本身。复盘的意义，是让管理层更早发现问题，把钱和人放到更该去的地方。那就别死守一份季度 PPT 了，问它：有没有一种更好的机制，能比季度复盘更早发现风险，用历史数据证明它本可以更早暴露问题，再让它和原有流程并行跑一个季度。这个问题一抛出来，模型的思路就不会只停在“做一页报告”，而会往系统、流程、反馈机制上继续往前滚。
创作类任务里，光把目标抬高，不一定总灵。写文章、做设计、拍视频，这些事里有太多细腻的判断，像炖汤，火候差一点，味道就变了。可只要一件事最终还要靠人开会讨论、拍板决定、调资源落地，就值得把目标再往上提一层。别总把 AI 当成填空题机器，它更像一位能陪你拆解世界的搭子。你给它的任务越像结果，它越容易帮你看见路径。
深度玩法也很有门道。别让模型穿上“专家”的外衣做表演，要让它真的去碰专家会用的东西。数据科学家会怎么看流失率，统计学家会怎么验证假设，产品经理会怎么区分噪音和信号，工程师会怎么追到日志底层。你甚至可以故意把目标压得很狠，逼它往最底层找证据。网站加载从 10 秒到 5 秒，别满足于这个区间，直接问 0.2 秒；模型说做不到，就让它继续试。很多时候，人类对“做不到”的判断，只是因为自己习惯了现有边界。
最怕的事情，是模型自己夸自己。自我评价很容易飘，像风筝线松了，飞得高，落得也快。更靠谱的方式，是让外部工具说话，让模型自己去跑验证、去看反馈、去接真实世界的信号。你可以要求它先列出顶尖专家会怎么做，再列出原始材料、方法工具、验证方式，最后把你的任务改写进去。这样一来，任务不再是糊成一团的愿望，而是一条条能落地的路径。
广度这件事，像给问题开窗。过去我们总觉得跨领域太贵、太慢、太麻烦，像请一整个剧组拍一段只有十秒的戏。现在不一样了，模型让多领域协作的成本低了很多。你完全可以让它像怀疑论者一样检查投资逻辑，像记者一样追问事实，像编辑一样打磨表达，像设计师一样看视觉呈现。很多惊喜，就藏在这些“本来没打算碰”的地方。
人其实一直被自己的判断困住。我们总以为自己能做什么、不能做什么，能走多远、该停在哪儿。米开朗琪罗起初都不想给西斯廷礼拜堂作画，觉得自己是雕塑家，不是画家。人会给自己贴标签，贴着贴着，连门都不想出了。模型的出现，像在这扇门上轻轻踹了一脚。它不替你成为谁，它只是把你原本不敢碰的东西，硬生生推到你面前。
自我效能感这个词听上去挺学术，翻成人话，就是“我觉得我能行”。这玩意儿太重要了。目标清晰、难度够高，人往往表现更好。Dantzig 当年把统计课黑板上的题当作业做了，结果解开了两个难题。Roger Bannister 跑进四分钟一英里以前，几乎没人敢真把它当回事，记录一破，后来的人就开始蜂拥而上。人类很多边界，原先看着像铁板一块，真有人狠狠干了一下，才发现那层铁皮没那么厚。
AI 时代最值钱的东西，可能不是工具本身，而是你愿不愿意把心里的那条线再往外推一米。别老问“它能帮我做什么”，多问问“我真正想让世界变成什么样”。把目标抬高，把任务说清，把验证放实，把视野放宽。你会发现，很多过去以为做不到的事，原来只是还没认真试过。