会提问还不够：让AI做得更深、更广、更可靠的实用方法

从“改一封邮件”到完成一件大事：AI的边界，也由我们的提问决定

导读：
许多人用AI，主要是润色邮件、翻译文字、总结资料。这些用法确实省时间，但AI还可以帮我们拆解长期积压的任务、追问证据、组合不同专业的方法。Anthropic工程负责人菲利克斯·里泽伯格在一篇文章中，把这种更主动的用法概括为：速度、高度、深度和广度。关键不只是把任务交给AI，而是说清楚想达成什么结果，并为结果设定检验标准。

一个“大任务”的提醒

菲利克斯·里泽伯格，是Anthropic的工程师，就是做Claude的那个公司。他回忆说在使用AI大模型时发现AI还可以这样玩！（原文链接：https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/）感兴趣的朋友可以点击阅读原文

把问题从“做什么”改成“想实现什么”

里泽伯格于2026年10月13日发布的《How to be more ambitious: A tutorial for humans with models》，将使用AI的野心分成四个方向：速度、高度、深度和广度。他在Anthropic负责Claude相关工程工作，并在文中说明，这些建议并不限于某一种模型。

速度，是用更少时间完成原本要做的工作。对许多用户来说，这是最熟悉的用法。

高度，则是从眼前的交付物，往上追问真正想要的结果。比如，不只说“做一份季度汇报PPT”，还可以说明：希望管理团队在半小时内看懂业务变化、判断原因，并决定下一步如何调配资源。AI收到的目标更清楚，才有机会协助用户思考材料、论点和决策，而不只是套用版式。

这也是照片案例可借鉴之处：任务不只是“下载照片”，而是把散落多年的资料整理成能查找、能复用的照片库。把结果讲清楚之后，AI才更容易把大任务拆成连续步骤。

做得更深：拿原始材料检验结论

深度，指的是用更接近专业人士的方式完成任务。里泽伯格建议，给AI提供有用的原始资料，要求它说明采用了什么方法，再用外部标准检查结果。

例如，分析客户流失时，与其只问AI“给我一些原因”，不如提供经过授权的数据，让它列出假设、寻找支持和反对的证据，再用未参与分析的数据验证结论。写文章时，也可以要求它补充可靠来源、指出哪些判断缺少证据，并按明确标准修改。

关键在于，不要只问AI“你觉得自己做得怎么样”。生成与自评可能依赖相近的信息和判断过程；更扎实的检查方式，是找一个独立的标准：原始记录是否支持结论、计算是否正确、来源是否可靠、流程是否通过既定验收。不同任务的标准各异，最好在开始前就写清楚。

“给一个远大的目标”也要搭配现实检验。目标设得高，可以用来拓展方案空间；它本身并不证明目标可达。斯坦福大学的研究综述总结了数十年的目标设定研究，指出在特定条件下，具体且有挑战的目标往往比笼统地要求“尽力而为”更有效；这并不等于任何不切实际的目标都会成功。

把AI当成多学科协作者

广度，是让AI调动任务表面之外的专业方法。做汇报不只是“生成PPT”，还可能涉及数据分析、新闻写作、信息设计和反方审阅。与其简单要求AI“扮演专家”，不如说明需要哪些具体工作：找出数据变化、核对因果关系、解释结论，并提出可能推翻结论的证据。

一个实用技巧是把交付物换成行动来描述。“做一份PPT”是交付物；“让忙碌的决策者在半小时内理解变化、评估原因并作出选择”则点出了任务要完成的动作。AI据此更容易考虑合适的结构和方法。这一技巧来自里泽伯格对《创新的艺术》相关思路的借用。

能力在变化，验证不能省

“我之前试过一次，AI做不好”不一定能代表当前模型的能力。2025年公开的一项METR预印本研究，以软件和研究任务评估AI完成较长任务的表现，并估计：在该研究的任务集上，模型达到50%成功率的任务时长，从2019年至2025年约每七个月翻倍一次。这个数字只适用于该研究的任务类型和测量方法，不能推成“所有AI能力都每七个月翻倍”，也不意味着AI现在能稳定完成对应时长的工作。

对学习者来说，实用做法不是盲目相信AI，也不是因为一次失败就判定它不行，而是把任务说清楚、给它足够材料、要求它交代过程，再用独立证据验收。遇到复杂任务，可以先让AI列出计划和风险，自己确认后再逐步推进；涉及重要决策时，保留人工复核。

人脸筛选还涉及隐私边界

材料还提到，作者尝试按照片中的面孔筛选特定人物，不同模型给出的回应不同。这里需要特别谨慎：跨照片识别同一人物，不只是普通的图像整理，也会碰到身份识别和个人隐私。

OpenAI现行使用政策对未经当事人同意建立人脸识别数据库等用途作出限制；Anthropic的政策也限制将其服务用于追踪、锁定个人身份或建立识别系统。具体适用范围取决于任务和服务规则，因此模型是否接受某个请求，不能单独作为任务合适与否的判断依据。

可以直接试用的提示词

下次遇到一件拖了很久的大任务，可以先让AI帮你把任务定义得更专业：

我希望把这项任务做得更深入，而不是把范围扩得更大。在改写我的提示词之前，请先讲清楚以下四点：

1. 这个领域的顶尖专业人士面对这项任务，会做哪些我尚未提出、却对深入解决问题至关重要的工作？
2. 他们会从哪些最原始的一手材料入手，而不是直接采用别人已经替我整理、加工和解读过的信息？
3. 他们具体会采用哪些方法、使用哪些工具？
4. 不靠你我主观判断，有什么独立证据、客观标准或外部检验，能够证明结果是对的？

然后，根据这四点重写我的提示词，让它准确提出上述要求，聚焦于把任务做深，而不是扩大任务范围。

如果现有信息不足，请先指出缺口。然后把我的提示词改写成一个可执行的任务，明确交付内容、步骤和验收方式。

1939年，统计学家乔治·丹齐格曾回忆，自己迟到时抄下黑板上的两道题，以为是作业，后来才知道那是当时未解的统计学问题。他的自述被数学史资料收录。乔治·丹齐格传记资料 这个故事常被用来说明，人有时会被“这不可能”的预设拦住。放到AI学习上，可以把它理解为一个提醒：别太早替任务判定上限，但也别省掉证据和复核。

下次准备输入“帮我总结一下”之前，不妨多想半分钟：我真正想解决的问题是什么？需要哪些原始材料？什么结果才算完成？把问题问得更完整，AI才有机会帮你做得更有价值。

关注本站，每天分享跨境电商前沿资讯（ Ctrl + D 收藏本站/收藏为书签 ）