如何给神经网络布置更有野心的任务：一个新教程里的四个层次
对神经网络最典型的请求听起来很谦虚：「把这些数据做成幻灯片」。模型也确实会做出幻灯片。2026 年 10 月 13 日，参与 Claude 开发的工程师 Felix Rieseberg 发布了教程《How to be more ambitious》，讲的正是这件事：如何停止向模型索要最低限度的结果。他的框架很简单——野心分四种类型（速度、高度、深度、广度），每种都有具体可操作的方法，今天就能用在你的日常任务上。下面是拆解，附关键提示词的翻译。
速度是起点，不是成就
第一种类型是把同样的工作做得更快。作者有意跳过它：这是 AI 经济价值的「面包和黄油」，这里没什么新意。你写代码——模型写得比你快。有意思的在后面。
高度：目标背后的目标
高度是往抽象的上一层走：不是任务，而是任务之所以存在的那个结果。教程里的例子是季度业务回顾（QBR）。基础层：「告诉我这个季度发生了什么变化、为什么、我们该怎么办」。往上一层：「找出最紧急的三个决策，并开始为每个方向整理支持与反对的论据」。再往上——这里才真正有意思：「回顾存在的意义，是让管理层更早发现问题、及时调动资金和人员。设计一个比季度汇报更好的办法，用我们自己的历史证明它能更早发现问题，然后让它在旧流程旁边试运行一个季度」。
作者在自己的工作中用的也是同一招：不是「修复这个崩溃」，而是「让应用保持无崩溃」。但有一个诚实的保留意见：为了让模型扛得住这个任务，Rieseberg 得先给它接入崩溃报告、版本与 git 提交的对应关系，以及三套操作系统上的机器——否则它无法独立复现并验证修复。高度需要先铺路。
怎么判断这个方法适不适合你？一个简单的标志：如果这项工作的结果要拿去开会——就试试「高度」。对纯创作类任务，它效果较差。
深度：专家的工具与外部裁判
深度是按行业顶尖专家的方式工作。教程里的具体方法：
- 坚持用专业人士的工具。模型默认会伸手去拿 markdown 表格——要求它用数据库和统计模型。你不必知道专家用什么，模型通常自己知道。
- 提出看似不合理的目标，并坚持它是合理的。网站 5 秒加载完，还不满意？要求 200 毫秒。模型认为任务不可能——重申它是可解的，让它继续。
- 在原始数据上对抗性地检验假设。「我们相信流失是新手引导的问题。试着从原始数据复现这个结论」——并把数据访问权交给模型。
- 要新知识，不要复述。「用日志构建一个能复现去年的客户模拟。找出我们尚未知道的最早流失信号，并证明它在没见过的数据上也能预测」。
- 外部裁判。不要让模型评价自己——作者强调，在 2026 年 10 月，验证必须是外部的，最好是一个模型能自己运行、立刻拿到反馈的工具。
还有一条 Rieseberg 称为自己常用的提示词：「我要的是这个任务更深的版本，不是更大的版本。重写之前：(1) 说出这个领域的顶尖专家会做什么、而我没要求的；(2) 说出他们会从哪些最原始的材料开始，而不是已经替你消化过的；(3) 说出他们会用的具体方法和工具；(4) 说出除了你和我之外，什么能证明结果是对的。然后按这些要求重写我的提示词。」
广度：请来别的学科
广度是从其他领域的视角看任务——过去请这些领域「不经济」。两个方法。第一个是把名词换成动词（来自《The Art of Innovation》的技巧）：季度回顾不是「一份演示文稿」，而是「在 30 分钟内让忙碌的人相信一个关于因果的故事，并在不确定中做出决策」。有了动词，立刻能看出哪些学科用得上。
第二个是组队。如果这份演示关系到地球不被外星人炸掉，人类会召集谁？要量产质量——分析师、记者和编辑；要呈现——动效设计师；红队——做空分析师和法务会计师。重要的保留意见：这不是角色扮演。不要让模型「像做空分析师那样写」，而是问做空分析师会怎么做研究。角色扮演只会让对话更怪，不会改善结果。
为什么我们给自己设限
教程的后半部分讲心理学。它有个名字：自我效能感。自我效能感高的人更相信自己的能力——也确实做得更多。而且它可以被「破解」：1939 年，George Dantzig 在伯克利上课迟到，抄下黑板上的两道题当作业交了。那是两道尚未解决的统计学难题。1954 年 5 月 Roger Bannister 率先把一英里跑进四分钟——此后 46 天里这仍是唯一一人的纪录：一旦有人证明可行，重复就变得「正常」了。今年四月，Sabastian Sawe 第一个正式跑进两小时的马拉松——同场比赛的第二名也跑进了两小时。Locke 和 Latham 研究了 35 年的目标设定文献后断言：具体而困难的目标，比「尽力而为」效果更好。
实际意味着什么
有意思的是，我们自己的数据恰好印证了教程所描述的「速度型」使用画像。根据 NeuralSpace 生产库的匿名聚合数据，最近 30 天（窗口 2026-09-04 至 10-04，server/seo/benchmarkData.json）平台共完成 12,689 次生成：9,907 张图片、2,334 条视频和 448 段音乐。也就是说，绝大多数请求都是一次性的快速任务，而不是多步骤的野心场景。
还有一条与「外部裁判」直接相关的诚实保留意见：90 天内（窗口 2026-07-06 至 10-04，同一数据库）图片生成的成功率为 gpt-image-2 92.2%（3,518 次完结生成）和 seedream-4.5 91.9%（1,127 次），视频 kling-3.0 则是 79.7%（374 次）。步骤链越长，每一次失败对整个场景的杀伤就越明显。所以野心勃勃的计划必须包含重试，以及用模型自己不信任的工具来验证结果。
教程帮不上忙的地方
缺点作者自己就承认。高度对创作类任务效果较差。「模型，去给我赚钱」在 2026 年对谁都不管用。而深度和广度需要计算机和数据访问——没有 MCP 连接器和安装软件的权限，一部分方法根本跑不起来。这不是缺陷，而是前提：野心是有准备成本的。
常见问题
教程作者是谁？
Felix Rieseberg——Claude 团队的工程经理，Electron 的共同维护者，写过几本书。教程于 2026 年 10 月 13 日发布在他的个人网站上。
适用于其他模型吗？
作者明确写道，这些建议不绑定具体模型——他拿 Claude 举例只因为自己在做它，但方法关乎任务的表达方式，而不是某个产品。
从哪里开始？
挑一件你这周的例行任务，问自己「我到底想要什么结果」。然后试试「更深的版本」那条提示词——它会自己告诉你，你漏掉了什么没要求。
你可以在任何可用的模型上尝试这些方法——例如 NeuralSpace 聊天，或在代码板块让模型直接处理你的项目。