更有野心地使用 AI：速度、目标层级、专业深度和跨领域方法

“用 AI 时，应该更有野心一点。”

这句话很容易赞同，真正做事时却未必知道怎样落实。手里有一个任务，究竟该让 AI 做得更快、管得更多，还是换一种方法？

《How to be more ambitious: A tutorial for humans with models》提出了四个方向：速度、目标层级、专业深度和跨领域方法。下面保留这个框架，简要说明核心方法，再用新的假设例子解释怎样执行。

一、速度：缩短完成同一项工作的时间

速度最容易理解：工作目标不变，借助 AI 更快完成。原文只作了简短说明，主要篇幅放在后三个方向。

这里我想补充一个判断标准：计算效率时，把检查和返工也算进去。

例如，让 AI 整理一份会议待办，生成速度很快，但如果负责人和截止时间都是它猜出来的，我仍然要回头核对整份记录。

我会把要求写成：“从记录中提取待办，保留对应原句；负责人和时间没有明确提及时，标为待确认。”

对这种任务，我更关心从收到资料到能够使用，整个过程省了多少时间。

二、目标层级：追问这项任务最终服务什么结果

这一方向的核心方法，是从眼前任务向最终目的追问，必要时重新考虑现有流程。任务层级提高以后，也要补齐数据、工具和反馈条件。

拿一个假设需求来说：“帮我写一个批量重命名脚本。”

这句话已经替 AI 选好了办法。但我真正想解决的，也许是下载资料混在一起，过一段时间就找不到。

如果把需求说完整，方案就有了比较的空间：到底需要重命名、调整目录，还是建立索引？遇到重名文件怎样处理？判断错了能否恢复？

我会这样交代：

我希望按项目和日期找到这些资料。先检查样本文件，比较整理方式，再给出可预览、可恢复的方案。实际修改前，让我看到修改清单。

这里提高的是 AI 参与解决问题的层级。它需要理解用途，也要面对约束。单纯把“写脚本”改成“管理我的全部资料”，如果不给资料和判断标准，仍然很难得到有用的结果。

三、专业深度：把研究和验证做扎实

原文在这里给出几项方法：使用专业工具和原始资料，设定挑战性目标，检验已有假设，寻找能够验证的新发现，并引入外部验收。

我理解，专业深度最终要体现在做了哪些工作上。

假设一个接口偶发超时。我们怀疑数据库慢，就让 AI 优化 SQL。这时很容易沿着第一个解释一直做下去。

我会先要求它把请求经过的环节列出来，再根据日志和耗时记录，判断时间花在哪里。数据库查询、连接等待、外部服务调用，都应该作为待检查的可能性。没有对应记录，就先说明缺口。

如果最后确实改了查询，交付里还应有相同条件下的前后对比，以及结果正确性检查。只有一段优化建议，还不足以说明问题已经解决。

挑战性目标也需要这样处理。可以要求它探索更大的改进空间，但每一轮继续尝试都应带来新的信息：定位到了新的耗时点，排除了一个假设，或者取得了更可靠的测量结果。

我愿意提高目标，也要求保留推翻当前判断的可能。

四、跨领域方法：为问题引入另一套有用的办法

原文建议，先把交付物改写成要促成的行动，再寻找其他领域能贡献的方法。重点在实际工作，避免停留在角色扮演。

假设要设计一个库存录入页面。如果只把它看成页面开发，注意力很容易集中在字段和按钮上。

把任务写成“让现场人员准确记录物品变化，并能处理录错和重复录入”，就会发现还有其他工作要做。

数据设计需要明确物品、批次和数量的关系；操作流程需要考虑现场怎样输入、怎样识别物品；异常处理需要说明漏填、重复和撤销怎么办。

这些角度应当落成可以检查的产物，例如字段规则、操作步骤、异常场景和试用任务。分别贴上“产品经理”“设计师”“工程师”的标签，并不能自动完成这些工作。

我会让 AI 先回答：“这个问题还缺少哪种专业方法？引入以后，具体多做哪项检查，交付什么？”

有明确贡献，再决定是否拆成多个任务。方法能互相补充，比角色数量更重要。

把四个方向用在下一次任务里

不必每次都把四个方向全部用上。

目标明确、重复发生的工作，可以先改善速度；当前任务与最终用途脱节时，重新考虑目标层级；结果不够可靠时，补足专业深度；单一方法解释不了问题时，再寻找其他领域的帮助。

我会先把手头任务写下来，选其中一个方向调整，再约定怎样判断这次调整有没有价值。这样，“更有野心”就有了一次具体尝试，也有了接受检验的机会。