「我們用 AI 還不夠有野心」這句話常被轉貼，卻很難照著做。Anthropic 工程主管 Felix Rieseberg 在 2026-10-13 發表的 How to be more ambitious: A tutorial for humans with models 就是在補這個缺口：他把「野心」拆成四種，再用一份季度經營匯報（QBR）簡報，示範每一種怎麼問。
這篇導讀整理他的三個主要方向、每一招的具體問法，以及我認為讀的時候要留意的地方。讀完你應該能拿自己手上的一份例行工作，判斷下一步該往「拉高」、「挖深」還是「拉寬」走。
這篇文章是什麼
作者在 Anthropic 帶過 Claude.ai、Cowork 與 Code Desktop 的工程。文章長度約 8 分鐘，性質是經驗分享：沒有對照實驗，也沒有量化成效，靠的是一個貫穿全文的假想案例，和作者日常使用 Claude 的做法。
他說建議不限定模型，雖然自己主要用 Claude。
給誰讀
- 已經每天用 AI，但用法停在「幫我改一下這封信」「幫我做這份簡報」的人
- 要替團隊設計 AI 工作流程的人
- 想知道「更有野心」到底是哪幾個動作的人
不需要先備知識。文中的例子是簡報和使用者流失，沒有程式碼。
四種野心
| 類型 | 意思 | 作者怎麼處理 |
|---|---|---|
| Speed | 同樣的事花更少時間 | 已經很成熟、不需要創意，略過 |
| Altitude | 從完成任務，拉到達成成果 | 主講 |
| Depth | 用領域頂尖專家的方法做 | 主講 |
| Range | 引入更多領域的知識與工具 | 主講；作者說這裡最常看到「魔法」 |
這四種是並列的方向，不是難度級別。同一個任務可以只往其中一個方向推，也可以同時推。
貫穿全文的例子：Acme 公司的 QBR
作者假設你在一家叫 Acme 的虛構公司，要準備季度經營匯報（QBR）的簡報。多數人的第一反應是：把數據丟給 Claude，請它做投影片或填範本。下面三個方向都從這裡出發。
Altitude：先問「接下來想發生什麼」
自我檢查問題是：目標之後的目標是什麼？ 作者自己的經驗是，去年初他還在請 Claude 修單一 crash，後來改成請它讓 App 保持零 crash。
套到 QBR，他給了三階，一階比一階高：
- 別只更新範本數字。 盡量把能拿到的資料都給它，問：「這一季什麼變了、為什麼、我們該怎麼辦？」
- 以決策為終點。 好的會議會有決定，所以問：「在你學到的一切之下，找出最急的三個決策，並為每個方向列出正反論證。」
- 質疑形式本身。 作者的原句大意是：季報存在的目的，是讓領導層及早發現問題、把錢和人調到對的地方；請設計一個比季度簡報更好的做法，用我們自己的歷史證明它會更早抓到問題，並且和現行做法並行跑一季。
作者給了兩個判斷什麼時候適合往上拉的線索。第一，你真的在追一個最終結果；創作類比較不適合。第二，如果這件事免不了要開會討論，通常就適合。
Altitude 常常得先改工作流程才做得到。他讓 Claude 負責零 crash 之前，先要讓它能自己拉 crash 報告、知道每個 App 版本對應哪個 git commit，還要給它 Windows、macOS、Linux 的機器，才能獨立重現並驗證修復。作者同時承認目前有上限：他寫道，叫 Claude「去賺錢」在 2026 年對多數公司還行不通。
Depth：逼它用專家的工具，不是專家的口吻
假設 Acme 有使用者流失（churn）的問題。作者列了五招：
- 堅持用業界最強的工具。 請模型扮演專業人士時，它常常只換用語、不換方法。看到它用 markdown 表格，就要求改用資料庫和統計模型。你不必知道專家用什麼，Claude 通常知道。
- 目標要訂得「不合理」，並告訴它這很合理。 網站要從 10 秒降到 5 秒，就直接要求 200ms。
- 挑戰你以為你知道的。 給它原始資料，請它對抗式檢驗假設，例如：「我們相信流失是 onboarding 的問題，試著從原始資料重現這個結論。」
- 產出新知識。 等它已經鑽進資料裡，再請它建立顧客模擬，重現過去一年的紀錄，然後找出我們還不知道的最早流失訊號，並證明這個訊號在沒看過的資料上也能預測。
- 用外部裁判。 不要請模型評自己。作者預期這之後會隨模型進步而解決，但他在 2026 年 10 月的建議是堅持外部驗證，最好是模型能自己執行、立刻拿到回饋的工具。
他還附了一段自己常用的 prompt，重點在開頭那句「我要的是更深的版本，不是更大的」。它請模型回答四件事，再改寫你的 prompt：
- 這個領域的頂尖專業人士，會做什麼是我沒要求的？
- 他們會從哪些最原始的材料開始，而不是從已經消化好的材料？
- 他們會用哪些具體的方法與工具？
- 除了你和我，還有什麼能證明結果是對的？
最後一題，就是前面第 5 招的落點。
Range：把名詞換成動詞，再組班底
Range 是用比過去經濟合理的更多領域來看同一件工作。多代理（multi-agent）的工具越來越容易用，作者說他請 Claude 引入更多領域，得到過很有意思的結果。他的例子是：看到同事 Alex Albert 用 Blender 渲染室內設計，才想到用 Claude 做 3D 環境來做自己的首頁，雖然他以前就做過電玩。
兩個技巧：
- 名詞換動詞。 出自 Tom Kelley 與 Jonathan Littman 的《The Art of Innovation》。QBR 不是「一份簡報」，而是「在 30 分鐘內讓忙碌的人相信一個因果故事，並在不確定中做決定」。有了動詞，才看得出哪些領域能幫上忙。
- 組班底。 假設簡報搞砸，外星人就炸地球，你會召集誰？作者的名單是：分析師、記者、編輯，要上台就加動態與音效設計，再加空頭分析師和鑑識會計師當紅隊。
這一招有個明確的警告：很容易不小心變成角色扮演，只讓對話紀錄變怪，結果沒變好。用這個方法是為了找出領域和技巧，不是請模型「寫」一個空頭，而是請它去「做」空頭做的研究。
前提：模型要有一台電腦
作者說，上面所有做法都需要模型有一台能安裝軟體的電腦，並能接到相關資料，無論透過 MCP 連接器還是別的方式。市面上有不少工具做得到，他建議挑一個用。
為什麼需要這篇文章（作者的論點）
文章最後一段談動機：人常被自己相信的可能性限制住，而且只信任自己在狹窄領域內的能力。他引用心理學的 self-efficacy（自我效能）概念，說明相信自己做得到的人更可能做到；並提到 Locke 與 Latham 彙整三十五年的目標設定研究，結論是給具體的困難目標，比只說「盡力就好」表現更好。他也列了三個他認為有紀錄的方法：相信某件事做得到、親眼看過別人做到、允許自己失敗。
這些引用我沒有逐一查證，以下只當作者的說法看待。
讀的時候要留意
- 這不是「叫 AI 多做一點」。 作者的核心句是「更深，不是更大」。Altitude 要先改工作流程，Depth 要換方法，Range 要換領域；單純把任務變大，不屬於這三種。
- 每一招幾乎都搭配驗證。 「並行跑一季」、「在沒看過的資料上預測」、「外部裁判」是同一個想法：野心要有東西能證明它對。沒有驗證的野心，只會產出更大的錯。
- 這是經驗分享，不是實驗結果。 QBR 的三階升級與 Acme 的流失分析都是示範性的假想案例，文中沒有對照組，也沒有量化成效。作者自己也講了限制，例如叫模型去賺錢目前行不通，Altitude 不適合創作。
- 他的建議有時間點。 「不要請模型自評」被他明確標成 2026 年 10 月的建議，預期未來可能改變。
怎麼用
挑一份你每週或每季都在做的例行工作，今晚就能跑一輪：
- 用 Altitude 三階的第一句問它：「這段時間什麼變了、為什麼、我們該怎麼辦？」並把能找到的原始資料都附上。
- 貼上作者那段「更深的版本」prompt，把你的原 prompt 放進去，看它改寫出什麼。
- 在它回答的最後一題，找一個「除了你我之外能證明結果對」的東西，例如一份沒用過的資料，或一個能跑的檢查。找不到，就先補這個，再往下做。