Claude Felix 野心式 Prompt 技巧：抛弃 “扮演专家”，高度深度广度 Prompt Skill 实战

原标题：被 500 万人围观！Claude工程负责人：“大家用AI都太怂了，不够有野心！”

大家好，我是小林。

问大家一个问题，你写 prompt 的时候，开头是不是还习惯加一句「你是一位有 20 年经验的 xxx 专家」？

前几天，Anthropic 的 Claude 工程负责人 Felix Rieseberg 在 X 上发了一篇长文，直接点破了这件事。这帖子现在浏览量高达 527 万，收藏 5.1 万。

他说，让 AI 扮演专家，AI 往往只是换了一套专业的说法，干活的方法根本没变。说白了，大家用 AI 的胆子还是太小了，想把 AI 用好，就得对它更有野心。

Felix 是谁呢？他先后带过 Claude.ai、Cowork 和 Claude Code 桌面版的工程团队，算是最懂 Claude 能用到什么程度的那批人。

看完这篇，我有点手痒，干脆把 Felix 的这套思路做成了一个 Skill，这个 skill 怎么做的，文章后面教你们。

然后我找了几个任务做对比。同一个opus 5.5模型，同一句需求，一边直接让 AI 做，一边加上这个 Skill，先给大家看看差距。

第一个任务，用 Three.js 做一个 3D 太阳系。

没加 Skill 的版本，八大行星绕着太阳转，有土星环，有小行星带，挺好看的。

加了 Skill 之后，AI 先把需求改成了「按真实天文数据运行的太阳系」。点哪颗星球，镜头就飞过去，右边的数据面板跟着变。

我把日期拨到 2024 年 4 月 8 日北美日全食那天，月亮的影子从太平洋一路扫过北美，落点和 NASA 公布的路线对得上。

第二个任务，用 Three.js 建一个 3D 程序员书房。

没加 Skill 的版本是卡通风，霓虹灯牌、小黄鸭，地上还趴着一只橘猫。

加了 Skill 的版本，台灯、显示器、窗外月光三种光叠在一起，更像一间真的书房，书架上 110 本书全是真书名。

左边屏幕敲到哪个字母，键盘上对应的键就会按下去。

当然，也不是每个任务都能拉开这么大的差距。有一组我测下来，普通版反而更好看，这个放到后面细说。

那 Felix 到底讲了什么？我们一起来看看。

01｜用 AI 的「野心」到底指什么？

Felix 在 Anthropic 做 Claude，几乎每天都能看到有人用 Claude 做成他没想到的事，有人用它找到了新行星，有人做出了他真心喜欢的 AI 音乐视频。

可也有很多人，问 AI 的还是「法国的首都是哪里」「帮我把这封邮件改得没那么冲」。

「我们的野心不够大」在 AI 圈快成口号了，但真要照着做，谁也不知道从哪下手。所以 Felix 把「野心」拆成了四个方向。

速度，同样的活用更少的时间干完。这是 AI 创造经济价值最直接的方式，比如写代码更快了。这种用法大家已经很熟了，Felix 直接跳过。

高度，往上抬一层抽象，关注你最终想要的结果，而不是眼前这一个具体任务。

深度，像这个领域的顶尖专家那样处理问题。不停留在任务表面，往下钻一层，去碰底层的数据、工具和问题本身。

广度，不只用任务表面需要的那一个领域，还要借用其他领域的知识、工具和方法，包括你平时根本想不到的那些。

拿程序员最熟悉的场景举个例子，修一个接口偶发超时的 bug。

速度，是让 AI 更快修掉它。高度，是想想修 bug 为了什么，能不能让 AI 盯着服务，持续修这类问题。深度，是让 AI 像资深工程师那样翻日志、抓火焰图、跑压测，用数据证明根因。广度，是借别的行业的方法，比如拿航空业的事故复盘来做故障分析。

02｜高度：你交代的任务，到底是为了什么？

你交给模型一个任务，其实已经替它选好了做法。可这条路未必是最好的。

所以动手之前，先问一句，做完这件事之后，你希望发生什么？

Felix 自己就是例子。去年年初，他还在让 Claude 修一个个具体的崩溃，后来直接把任务改成了，让我们的应用保持不崩溃。

一份季度复盘 PPT，能抬到多高？

Felix 拿了一个很日常的场景，给虚构的 Acme 公司做季度业务复盘（QBR）的 PPT。把数据丢给 Claude，它很乐意帮你填模板。我们一步步往上加码。

第一步，让 AI 分析业务到底发生了什么。

季度复盘一般要回答三个问题，这个季度有什么变化，为什么会变，接下来该怎么办。

先别急着让 AI 更新模板里的数字。能拿到的数据尽量都给它，让它真正理解你的业务，然后这样问：

●  ●  ●

告诉我这个季度发生了哪些变化，原因是什么，我们应该采取什么行动。

第二步，让 AI 为决策做准备。

一场好的会，理想情况下应该以做出决定结束。所以你可以接着让 AI 往前走一步：

●  ●  ●

根据你已经了解到的情况，找出当前最紧迫的三个决定，
针对每个决定研究可能的方向，并列出支持和反对的理由。

第三步，让 AI 重新设计这件事本身。

季度复盘这种形式，诞生于靠人工筛数据的年代。现在这些活 AI 都能干了，还有必要每季度做一份 PPT 吗？Felix 是这么问的：

●  ●  ●

业务复盘存在的目的，是让管理层尽早发现问题，把钱和人投到对的地方。
请设计一种比季度 PPT 更好的办法，用我们过去的业务记录证明它能更早发现问题，
然后让它和现有流程并行跑一个季度。

当然，不是所有任务都适合往上抬。Felix 给了个判断方法，做完还要开会讨论、再根据讨论去行动的事，就值得往上抬。创作类的活就没那么适用。

现在也还有边界。他调侃说，至少在 2026 年，一句「Claude，去帮我赚钱」还不太行。

把任务抬高之前，先得把路铺好

为了让 Claude 接下「保持不崩溃」这个目标，Felix 先做了三件事。

1. 让 Claude 能方便地拿到崩溃报告2. 让 Claude 能搞清楚每个应用版本对应哪一次 Git 提交3. 给 Claude 配好 Windows、macOS 和 Linux 三台电脑

有了这些，Claude 才能自己复现问题，自己验证修复到底有没有效。

很多人说「我把大目标交给 AI，它根本搞不定」，问题往往在于只给了目标，没给数据和工具。

换成我们后端的场景也一样。你想让 AI 从「帮我优化这条慢 SQL」变成「让订单接口的 P99 稳定在 200ms 以内」，那慢查询日志、监控面板、压测环境，至少得让 AI 碰得到。

03｜深度：为什么「扮演专家」不管用？

深度，就是想把一件事做到足够好。Felix 的标准是，逼着模型用顶尖从业者的工具和方法，一直推到连这些人都能从你的成果里学到新东西。

还是 Acme 的例子，这次假设公司在流失用户，Felix 用了五招。

招式一，坚持用行业顶尖的工具

开头说的「扮演专家」不管用，原因就在这里。让模型「像专业人士一样工作」，它常常只换了词汇，没换方法。满嘴「显著性」「相关性」，交出来的还是几张 Markdown 表格。

所以要坚持让它用数据库和统计模型，用真正的数据科学家会用的工具。不知道专家用什么？Felix 说，你不需要知道，Claude 通常知道。

招式二，定一个不合理的目标，并告诉模型这很合理

你想把网站加载时间从 10 秒压到 5 秒？那就直接要求 200 毫秒。

模型觉得某件事不可能？再跟它强调一遍，这件事完全能解决，只是需要继续做下去。

这招看起来有点像给 AI 打鸡血。不过你想想，目标是 5 秒的时候，AI 大概率会去压缩图片、开个缓存。目标变成 200 毫秒，这些小修小补就不够了，它会被逼着去重新考虑渲染方式、资源加载顺序，甚至整个架构。

目标定在哪，决定了 AI 会去翻哪一层的方案。

招式三，挑战你以为知道的事

尤其在商业领域，很多我们深信不疑的「事实」，其实只是对现实的粗略概括。

所以要让模型直接接触原始数据，并且要求它主动去找能推翻现有假设的证据。比如：

●  ●  ●

我们认为用户流失是新用户引导出了问题，请从原始数据出发，看看能不能复现这个结论。

注意这里的用词，Felix 说的是「复现」，让 AI 从零开始验证，而不是顺着你的结论去找支持它的证据。

招式四，产出新知识

这一招可以直接接在上一招后面。既然 Claude 已经扎进数据里了，那就让它顺便找找你们的盲区：

●  ●  ●

根据日志建一个客户行为模拟，复现过去一年的情况。
然后找出一个我们还不知道的、最早能预示用户流失的信号，
并在它没见过的数据上证明这个信号真的能预测流失。

这里面有个细节很关键，「在没见过的数据上证明」。搞过机器学习的同学应该一眼就懂，这就是训练集和测试集分开，防止 AI 拿答案凑结论。

招式五，引入外部裁判

不要让模型自己评判自己。

Felix 说，他估计随着模型越来越聪明，这个问题早晚会解决。但至少在 2026 年 10 月，他强烈建议坚持外部验证。

最理想的外部裁判，是一个模型自己就能运行、并且立刻拿到反馈的工具。

这句话对程序员来说其实特别好理解。单元测试、benchmark、lint、类型检查，全都是外部裁判。你让 AI 改完代码自己说「我改好了」，和让 AI 跑完测试拿出「全部通过」的结果，可信度完全是两个级别。

Felix 最常用的一段深度 prompt

讲完五招，Felix 给了一段他常用的 prompt，全文最值得收藏的就是这段。

●  ●  ●

我想要这个任务更深入的版本，不是规模更大的版本。在改写之前，先回答四个问题：
1. 这个领域的顶尖从业者，会做哪些我没要求的事？
2. 他们会从哪些最原始的材料入手，而不是用已经替我消化过的东西？
3. 他们会用哪些具体的方法和工具？
4. 除了你和我的判断，还有什么能证明结果是对的？
然后根据这些答案，改写我的 prompt，把这些要求明确写进去。

英文原版：

●  ●  ●

I want a deeper version of this task, not a bigger one. Before rewriting it:
(1) say what a top professional in this field would do here that I'm not asking for;
(2) name the rawest material they would start from instead of what has already been digested for me;
(3) name the specific methods and tools they would use;
(4) say what, other than you or me, would show the result is right.
Then rewrite my prompt to ask for exactly that.

第一句先把话说死，「更深，不是更大」，防止 AI 给你堆一堆新功能。后面四问正好对应前面几招，专家多做什么、原始材料、具体工具、外部裁判。

04｜广度：怎么让 AI 带来别的行业的方法？

广度，就是从更多领域的视角看你手上的活。Felix 打了个比方，每部盗窃电影的前 30 分钟都在组队，黑客、开锁专家、司机一个不能少。

以前为一件事请好几个领域的专家太贵，现在多 Agent 让这件事变便宜了。难点在于你得先想得到。Felix 自己也是看到同事 Alex Albert 用 Blender 渲染室内设计，才想到让 Claude 给主页做 3D 场景，哪怕他以前做过电子游戏。

他用两招。

招式一，把名词换成动词

这招来自《创新的艺术》。季度复盘如果描述成「一份 PPT」，你只会想到文字、图表、排版。换成动词，它其实是这件事：

在 30 分钟内，让一群很忙的人相信一个关于因果关系的故事，并在不确定的情况下做出决定。

这么一说，能帮忙的领域就多了。讲故事是记者和编剧的专长，在不确定中做决定是投资人的日常。

招式二，组一支团队

Felix 这里的设定有点中二。假设这份 PPT 必须做到完美，不然外星人就会炸掉地球，人类会组一支什么样的团队？

为了保证内容质量，他会请一位分析师、一位记者和一位编辑。如果还要上台演示，可能再加一位动效设计师和一位音频设计师。

再组一个专门挑刺的「红队」也很有用，他选了做空者和法证会计师。做空者天天在找公司的破绽，法证会计师专门查账目里的猫腻，让他们来审一遍，能挑出很多别人忽略的问题。

但这里有个坑，很容易一不小心变成角色扮演，角色越来越多，结果一点没变好。

组队是为了找方法。 别让模型模仿做空者的文风，要让它用做空者研究一家公司的那套方法。

三种野心，都有一个共同前提

最后 Felix 补了一句，这三种野心都要求模型有一台能装软件的电脑，还能接入各种数据，比如通过 MCP。你还在网页对话框里跟 AI 聊天的话，AI 连数据库都碰不到，这些招基本用不上。

05｜为什么我们总是低估自己？

方法讲完，Felix 最后聊了聊，为什么「更有野心」需要专门学。

我们愿意试什么，取决于我们觉得什么能做到。米开朗基罗一开始都不想画西斯廷礼拜堂，因为他觉得自己是雕塑家，不是画家。

心理学管这个叫「自我效能感」，越相信自己能做成，就真的做成越多。而且这种信念能被「破解」，Locke 和 Latham 翻了 35 年的研究发现，明确又有难度的目标，比「尽力而为」效果更好。

Felix 列了三种破解方法。

•   相信它能做到。 1939 年 Dantzig 上课迟到，把黑板上两道题当作业做了出来，其实那是统计学里没人解出来的难题。•   看别人做到。 Bannister 1954 年跑进一英里四分钟，46 天后就有第二个人做到。•   允许自己失败。 Linux 刚发布时，Linus 说它「只是个爱好，不会像 GNU 那样大而专业」。

AI 的能力每隔几周就跳一次。说实话，我们程序员用 AI 最大的限制，往往是脑子里那句「这个 AI 肯定搞不定」，还没试就先把任务砍小了。

06｜怎么把这套思路做成 Skill？

方法论写给人看，人会忘。那就干脆写给 AI 看，让 AI 每次干活前都按这个流程走一遍。

做起来就三步。

第一步，写 SKILL.md

我把 Felix 的三种野心，拆成了 AI 能执行的四个步骤：

1.高度，先问用户做完这件事之后希望发生什么，值得就往上抬一层2.深度，跑一遍深度四问，再给自己定一个高一个量级的野心目标3.广度，名词换动词，组一支至少带一个挑错角色的团队，只借方法，禁止角色扮演4.出方案，等确认，改写后的任务、工具、野心目标、外部验证方式列清楚，你点头了再动手

完整的 SKILL.md 如下，大家可以直接复制：

●  ●  ●

---
name: ambitious
description: 按 Felix Rieseberg 的「高度、深度、广度」三种野心，把一个普通任务改写成更有野心的版本，先出方案、等确认再动手。用户输入 /ambitious 时使用。
argument-hint: [你的任务]
disable-model-invocation: true
---

# 更有野心地完成任务

用户的任务：$ARGUMENTS

先别开工。按下面四步把任务想高、想深、想宽，输出方案，等用户确认后再执行。

## 第一步：高度，找到目标背后的目标

- 问自己：用户做完这件事之后，希望发生什么？谁会看这个结果，看完要做什么决定？
- 如果更高一层的目标更值得做，就把任务往上抬一层，写清楚抬升后的任务是什么。
- 做完还要开会讨论、还要有人接着跟进的任务，适合往上抬；纯创作或一次性的小任务，保持原来的层级。
- 不要抬到空泛（比如「帮我赚钱」）。抬升后的目标必须能在当前环境里验证。

## 第二步：深度，像顶尖从业者那样做

我要的是更深的版本，不是更大的版本。先回答四个问题：

1. 这个领域的顶尖从业者，会做哪些用户没提的工作？
2. 他们会从哪些最原始的材料入手，而不是用别人整理好的东西？
3. 他们具体用什么方法和工具？写出名字，不要只写「专业地」。
4. 除了你和用户的判断，还有什么能证明结果是对的？比如测试、基准数据、截图比对、真实数据。

然后定一个「野心目标」：比用户原本的期望高出一个量级，并且明确告诉自己这个目标是能做到的。

## 第三步：广度，借其他领域的方法

1. 名词换动词：把要交付的东西（「一个页面」「一份 PPT」）改写成它要完成的动作（「让第一次来的人 10 秒内记住我是谁」）。
2. 组队：假设这件事极其重要，列出 3～5 个你会请来的专业角色，其中至少一个专门挑错。
3. 每个角色只写一句：他会用什么方法。禁止角色扮演，不要模仿任何人的口吻。

## 第四步：输出方案，等用户确认

按这个格式输出，控制在一屏以内：

-**改写后的任务**：一段话
-**要用的方法和工具**：列表
-**野心目标**：一句话
-**外部验证**：怎么证明做好了，必须是你自己能运行的检查
-**需要用户提供的**：数据、权限、环境，没有就写「无」

最后问用户：按这个方案执行，还是要调整？

## 执行阶段的规则

- 用户确认后再动手。
- 每完成一个阶段，就用第二步定下的外部验证检查一次。不能自己觉得「看起来不错」就算完成。
- 遇到看起来做不到的地方，至少换两种方法试过，再向用户报告。
- 不扩大任务范围：做得更深、更高，不等于加一堆无关的功能。

有两个地方是我故意这么写的。

disable-model-invocation: true，意思是只能手动输入 /ambitious 触发，AI 不会自己调用。这个 Skill 会让任务变重，改个错别字也给你来一套「目标背后的目标」，那就是添堵了。

最后一条「不扩大任务范围」，对应 Felix 那句「更深，不是更大」。不加这条，AI 一兴奋就容易堆一堆你没要的功能。

第二步，装到 Claude Code 里

在 ~/.claude/skills/ 下面新建一个 ambitious 文件夹，把上面的内容存成 SKILL.md 就行。

●  ●  ●

~/.claude/skills/
└── ambitious/
    └── SKILL.md

懒得手动建的话，直接把上面那段内容丢给 Claude Code，说一句「帮我把这个装成一个 skill」就搞定了。Codex、WorkBuddy 这些支持 Skill 的 Agent 也一样。

第三步，用起来

用法就一行：

●  ●  ●

/ambitious 你的任务

AI 不会直接开工，会先吐一份方案给你，你点了确认，它才开始干活。

实测效果怎么样？

每个任务我都开了两个全新的 Agent，模型和环境完全一样，只差一个 Skill。

任务一，3D 太阳系

没加 Skill，提示词就一句：

●  ●  ●

用 Three.js 帮我做一个 3D 太阳系网页，做成单个 index.html 文件。

做出来是这样的，八大行星绕着太阳转，挺好看，但位置是随手摆的。

加了 Skill，只是在前面多了一个 /ambitious：

●  ●  ●

/ambitious 用 Three.js 帮我做一个 3D 太阳系网页，做成单个 index.html 文件。

打开页面，行星停在今天真实的位置。点哪颗星球，镜头就飞过去，右边的数据面板跟着变。

放大地球，大陆是真实的海岸线，昼夜分界线按当前时刻计算，旁边的月亮也在真实轨道上。

再看土星，环上那道暗影，是土星本体按真实光照方向投下的。

普通版的行星位置只是装饰，Skill 版拿 NASA 星历一比，误差最大才 0.20 度。

任务二，3D 程序员书房

没加 Skill：

●  ●  ●

用 Three.js 帮我建一个 3D 的程序员书房场景网页，做成单个 index.html 文件。

做出来是卡通风，霓虹灯牌、小黄鸭，地上还趴着一只橘猫。

加了 Skill：

●  ●  ●

/ambitious 用 Three.js 帮我建一个 3D 的程序员书房场景网页，做成单个 index.html 文件。

整体更像一间真书房，台灯的暖光、屏幕的冷光、窗外的月光叠在一起。

凑近书架，110 本书全是真书名。

左边屏幕敲到哪个字母，键盘上对应的键就按下去。

台灯能开关，白天黑夜也能切换，光影是平滑过渡的。

普通版胜在有梗，Skill 版胜在真实感和细节。

任务三，个人主页

没加 Skill：

●  ●  ●

帮我做一个个人主页，我是写技术公众号「小林coding」的程序员博主，做成单个 index.html 文件。

手绘大标题，右边的流程图会一笔一笔画出来，「图解」味很足。

加了 Skill：

●  ●  ●

/ambitious 帮我做一个个人主页，我是写技术公众号「小林coding」的程序员博主，做成单个 index.html 文件。

桌面版朴素一些，页面上的数字和代表作，都是从我本地文章里一条条核对过出处的。

在手机上滑一遍。考虑到读者多从微信点进来，页面没有任何外部依赖，打开不会出问题。

这一组普通版反而更好看，Skill 版赢在严谨。

所以，加了 Skill 不保证更好看，它保证的是 AI 先想清楚「什么叫做好」，再拿真实的检查去证明。

代价是什么？

任务	普通版	Skill 版
3D 太阳系	约 7.5 分钟，约 8.5 万 token	约 53 分钟，约 33 万 token
3D 书房	约 7.6 分钟，约 8.3 万 token	约 28 分钟，约 21 万 token
个人主页	约 4 分钟，约 5.7 万 token	约 6 分钟，约 9.3 万 token

太阳系那组，时间是普通版的 7 倍，多出来的基本都花在了跑验证、推倒重来上。所以小活用不着它，值得做好的事再请出 /ambitious。

最后

以后给 AI 派活，别再只写一句「你是一位有 20 年经验的 xxx 专家」了。

胆子大一点，把你真正想要的结果、标准和验证方式都提出来。

别再写「帮我修一下这个崩溃」，可以这样写：

让我们的应用保持不崩溃。崩溃报告、版本对应的 Git 提交、测试机器我都给你，你自己复现、自己修、自己验证。

别再写「把页面加载优化到 5 秒」，可以这样写：
把首屏加载压到 200 毫秒以内。这个目标完全能做到，觉得做不到的时候，换个思路继续试。

别再写「你是资深数据分析师，帮我分析一下用户流失」，可以这样写：
我们认为流失是新用户引导出了问题，请从原始数据出发，看看能不能复现这个结论。用数据库和统计模型来分析，别只给我几张表格。

别再写「帮我做一份季度复盘 PPT」，可以这样写：
复盘是为了让管理层尽早发现问题。设计一种比季度 PPT 更好的办法，用我们过去的数据证明它能更早发现问题。

别再写「做完告诉我一声」，可以这样写：
每做完一步，就跑测试、截图对比，用结果证明你做对了，别跟我说「看起来没问题」。

实在想不出怎么写，就在需求前面加一个 /ambitious，让 AI 自己把这些想一遍。

限制 AI 的，很多时候是我们给它的那句需求。

---

参考资料

•  Felix Rieseberg 的 X 原帖：https://x.com/felixrieseberg/status/2110023283169247623•  原文「How to be more ambitious: A tutorial for humans with models」：https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/