同样一个月费,决定产出的是你的野心和认知
一份关于「怎么把 AI 用得更有野心」的方法论整理。作者转述了一位工程主管的爆款文章,核心判断是:限制大家的早就不是模型智商,而是旧的做事习惯。文章给出四个维度的自问自答——速度(更快)、高度(直接要结果,而不是拆小步骤)、深度(用顶尖专家的方法论,而不是角色扮演)、广度(把名词换成动词,撕掉行业标签)。其中「一层一层往上问『然后呢』」和「先问 AI 这四个问题再让它动手」是两套可以直接照做的动作。收尾讲的是最难的一关:动手之前,你就已经认定它做不到了。
本文整理自一支 13 分钟的繁中解说视频,原片转述一位工程主管关于「如何更有野心地使用 AI」的文章。文稿由字幕整理而来,属整理稿而非逐字记录。
文中的案例、人名与数字沿用原片口述,未做外部核验。
开场那句话
作者用一句话立住了全篇。
我一直很认同:创业的人,他的上限就是自己野心还有认知的上限。
但我们生在这个 AI 的时代,我认为这句话适用于所有人。
然后他给了对照:
同样的 AI、同样的模型、同样的月费,你能用 AI 做出什么东西,完全取决于你的野心和认知有多大。
这个对照很扎人,因为他举了另一半:
AI 一直在医学、数学或其他领域协助专家取得突破性进展。但我们每天还在跟 Claude 说:「请你帮我写一封专业的邮件。」
而他特意留了一个平衡:
当然了,请 AI 把日常运营的琐事处理掉,这件事本身绝对没有错。
你也不用去解开超级爆炸难的问题——因为我相信,在你上班的地方或者你自己的公司内部,就有很多问题困扰着你,但你从没想过要用 AI 去解决。
两极分化
原文章的作者每天看大家怎么用 Claude,发现一个很两极的现象。
有一小群人已经用它做各种惊人的事,但大多数人还是把它当一般的搜索引擎或打字机来用。
而他的核心判断,我觉得是全篇最重的一句:
早在一年前甚至更久以前,限制大家的就已经不是模型的智商了,而是旧的做事习惯——导致我们根本没想过可以把更大的问题丢给 AI。
四个问题,四个维度
当你决定把一件工作交给 AI,或者决定亲手做、不用 AI 的时候,可以先问自己四句。
| 问题 | 维度 |
|---|---|
| 这件事能不能用 AI 做得更快? | 速度 |
| 我能不能不只让它做流程中的一小部分,而是直接负责最后的结果? | 高度 |
| 我能不能要求它做到顶尖专家水准的品质? | 深度 |
| 这件事能不能结合其他领域的做法? | 广度 |
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
A["速度<br/>做得更快"] --> B["高度<br/>直接要结果"]
B --> C["深度<br/>专家水准"]
C --> D["广度<br/>跨领域借法"]上图是这四个维度。他的判断是:第一个只拉开入门差距,后三个才是分水岭。
追求变快是一般人用 AI 最直觉的做法,所以不多赘述。而真正拉开你和别人使用 AI 差距的,得看后面三个。
高度:退后一步问「我真正要什么」
大部分人视角放得太低
习惯自己先想好每一个步骤,再叫 AI 照着做。像「帮我改这段文字」「帮我写这封信」,或者「帮我修好这一行程序」。
而他先给了理解:
大家会这样做完全没有错,因为过去的 AI 能力确实不够,没办法做到通盘考量,你必须一步一步带着它走。
但现在的关键变化是:
现在的模型能力已经不可同日而语。如果还一直帮它拆小步骤,不只低估了它的能力,有时候甚至我们自己拆步骤的方向都是错的。
结果 AI 也只能顺着你的小步骤做,没办法帮你解决真正的大问题。
一个很具体的对照
去年年初他的视角还停在过去的习惯:每次 App 崩溃,他就叫 Claude「帮我修好这一个 bug」——这就是盯着小步骤。
但后来他把视角拉高,直接跟它说:「我要的结果是让我们的 App 可以不崩溃。」
AI 为了扛起这个大目标,就自己去抓崩溃报告、自己修、自己测试。
「从『帮我修这个 bug』变成『让 App 不崩溃』——这就是把视角拉高。」
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
A["低视角<br/>修好这个 bug"] --> B["高视角<br/>让 App 不崩溃"]
B --> C["AI 自己抓报告<br/>自己修 · 自己测"]上图是这个转变。注意差别不在措辞,在于「谁负责拆解」。
但高度不是无限拉
他补了一个很实在的边界,还带了个玩笑:
**视角也不是无限往上拉就有效。**如果你直接跟 AI 说「帮我搞个一百万来花花」,那可能得等到下辈子。
可操作的技法:一层一层问「然后呢」⭐
这是全篇我認為最实用的一套动作。
最实用的做法,是一层一层往上试。所谓一层一层,就是一直问自己同一个问题:做完这件事了,然后呢?
他举的例子是每季度的复盘简报,四层递进。
| 层 | 你给的 | 你得到的 |
|---|---|---|
| 一 | 数字,让它填进上季的模板 | 一份简报 |
| 二 | 所有资料,问「这季变了什么、为什么、接下来怎么做」 | 一份分析 |
| 三 | 请它挑出现在最急的三个决策,各写好支持与反对理由 | 一份决策清单 |
| 四 | 请它想「季报真正的目的是什么」,有没有更好的做法 | 一套新流程 |
每一层的差别,他讲得很细。
第一层的问题出在哪?
简报是做好了,但开会的时候老板翻到第三页就会问:这个数字为什么掉了?
第二层好一点,但还不够:
分析完了,大家坐在会议室里,最后总要做出决定——不然开会就跟开派对没两样了。
第三层的变化很关键:
这样一来,当你走进会议室的时候,大家讨论的就是「我们的下一步是什么」,而不是一些空泛的数字。
而第四层他发现了一件更大的事:
如果你再问一次「然后呢」,你会发现季报这个东西有没有可能是旧时代的产物?
以前分析资料要靠人一笔一笔翻、一笔一笔算,很花时间,所以只能一季检讨一次。
可是现在 AI 看资料的速度快太多了——那为什么还要等三个月,才发现业绩出问题?
于是他给出最高一层的做法:
请 AI 去想:季报真正的目的是让老板早点发现问题、把钱跟人放到对的地方。
那有没有比季报更好的做法?
比如设计一个自动监测的流程:每天盯着公司的数字,平常不来吵你,一发现重要变化才主动通知老板。
然后请它用公司过去的资料,证明新方法能更早抓到问题,再跟现在的季报一起跑一季,看哪个比较好用。
这一段的收尾我很喜欢:
从帮忙做简报,到重新设计整个检讨流程,用的都是同一个 AI——差别只在你多问了几次「然后呢」。
什么时候停
就这样一层一层往上加,加到你发现 AI 开始做不好了,再退回一层——那就是你现在能交给它的最大目标。
「退一层就是上限」——这个判据比任何理论都可用。
深度:别做角色扮演,要方法论
直觉 vs 严谨
一般人解决问题是凭直觉猜答案——就像头痛直接去买止痛药吃。
但顶尖专家解决问题是有一套严谨的方法跟工具——就像专科医生会先帮你抽血、照 X 光、看最原始的检查报告,找出病因才开药。
而 AI 两种都做得到:
但如果你没有特别要求,它就会给你平庸的答案。
这一关为什么难 ⭐
他点出了一个我觉得很关键的认知障碍:
这一关之所以难,是因为它卡在我们自己的认知上限。
很多时候我们并不是那个领域的专家,你不知道顶尖的人到底怎么做事——所以你根本提不出够深入的要求。
角色扮演为什么没用 ⭐
这一段是全篇最有洞察的部分。
一般人最常做的,就是跟 AI 玩角色扮演——直接跟它说「你现在是一个十年的资深行销专家,帮我改写首页的文案」。
但会发生什么?
模型听到这句话,通常只是把语气跟用词换得比较华丽,而它背后做事的方法完全没变——只是用专家的口气讲外行话而已。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
A["角色扮演<br/>「你是十年专家」"] --> B["换了语气和用词"]
B --> C["方法没变<br/>外行话包了层皮"]上图是这个失效。注意它不是完全无效,而是「看起来专业,但没解决问题」。
四问法:先问方法,再让它动手 ⭐
他给的替代方案很干脆:
在他叫 AI 动手之前,先问它几个问题。
| 问 | 目的 |
|---|---|
| 一 | 这个领域最顶尖的专家处理这件事时,会做哪些我没想到的事? |
| 二 | 他们会看哪些第一手资料,而不是只看别人整理好的报告? |
| 三 | 他们具体会用哪些专业的方法跟工具? |
| 四 | 做完之后怎么证明结果真的有用,而不是只有你自己感觉不错? |
实战:改首页文案
他真的把四个问题丢给模型跑了一遍,而第一个回答就翻转了前提。
顶尖的专家第一步根本不会碰文案,而是先确认问题到底是不是出在文案。
转换率掉下来,有可能是广告换了受众、网页变慢,甚至是追踪码坏掉。
如果是这些原因,你把文案改得再漂亮也没用。
第二个问题的答案也很具体:
专家不会从整理好的报表开始看,而是去翻最原始的东西——像客服对话、客人留下的评论、网页的录影跟热点图。
看客人到底停在哪里、在哪一步离开。
而它还给了一句我觉得非常实用的:
最好的首页标题,常常就是直接从客人的原话里抄出来的。
第三个问题,它给了一套可执行的工具:
像是用某个模型从价值主张、相关性、清晰度、焦虑感、分心、急迫感这六个面向,一块一块检查你的首页。
或是做五秒测试:让陌生人看你的首页五秒钟,再请他说出**「这是什么、给谁用、为什么选它」**——说不出来,就代表首页没有在做它该做的事。
第四个问题,它的答案最关键:
要证明新文案真的有用,不能靠你觉得,也不能靠 AI 觉得——要靠真实的客人。
你要拿新旧两版文案去跑对照测试:一半的人看旧版,一半看新版,看哪一版真的卖得比较好。
这一段的结论
简单的一句「请帮我润色这个文案」,大概率拿不到这样有深度的答案。
透过先问 AI 这四个问题,你让 AI 先把顶尖专家的方法论搬出来——不但可以偷学几招,瞬间把自己的认知拉高一层,最后的产出可能也会大有不同。
小诀窍:故意给一个不合理的目标
比如你的网站要十秒才打得开,你想改到五秒——那就不要跟它说五秒,直接说「我要 0.2 秒就能打开」。
如果 AI 跟你说这不可能,你就回它「这绝对做得到,继续想办法」。
他说这招有研究支撑:
有两位心理学家整理了三十五年的目标设定研究,发现被要求达成具体又困难目标的人,表现会比只被叫「尽力就好」的人更好。
而机制解释很直白:
如果你的目标只是五秒,找到的就是小修小补。目标要是两百毫秒,小修小补根本不够,只能去想完全不同的做法。
广度:把名词换成动词 ⭐
为什么 AI 不主动跨领域
这个归因我觉得很准。
AI 明明懂全世界所有行业的知识,但为什么它平常不会主动帮你跨领域?
原因是我们开口给任务的时候,习惯讲「我要做什么东西」——比如「我要做一个网站首页」「我要做一份业务简报」。
而「网站首页」「业务简报」这些名词本身,就已经贴着特定行业的标签了。
当你跟 AI 说要做网站首页,等于是把它的思考范围锁进「网页设计」这个小框框里。它的行为通常就是去翻网页设计师的知识库、避开其他领域——因为这样通常更有效率。
技法:把名词换成动词
他引用了一个方法,我认为这一节的价值最高。
忘掉那个成品的名称,只看它实际要发挥什么作用。
因为成品的名称是单行业专属的,但它要发挥的作用是跨行业共通的。
例子:
你不要说「我要做一个网站首页」,而是先想:首页真正要发挥的作用是什么?
你的答案可能就会变成——「我想要在五秒内让一个陌生人停下来,而且产生好奇心。」
当你把「网站首页」这个标签拿掉,改用这个作用去问:全世界有哪些不同行业的人,最擅长在五秒内抓住陌生人的注意力?
这时候搜出来的东西就变了:
不再是网页设计师,而是电影预告片剪辑师、短影音创作者,甚至百货公司橱窗设计师的手法——全部借过来,教你怎么设计第一眼的画面。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
A["名词<br/>网站首页"] -->|"锁进行业"| B["只翻网页设计知识"]
C["动词<br/>五秒抓住注意力"] -->|"撕掉标签"| D["剪辑师 · 短影音<br/>橱窗设计师"]上图是这个切换。注意它不是换个说法,是换了一整个知识域的检索范围。
最后一关:动手之前的自我设限
他说这是原文章最后的提醒,也是我觉得最有分量的一段。
很多人就算知道了这些方法还是不会去试,因为真正卡住我们的,往往在开口之前。
很多事我们根本连问都没问,直觉就认定「这件事 AI 不可能做得到」。
两个故事
第一个是关于「不知道它不可能」。
1939 年,柏克莱有个学生上统计课迟到。他看到黑板上有两道题,以为是作业,就抄回去当作业写。
回家后他把这两道题解开了。交出去才知道,那是统计学界一直没人解开的两道难题。
但正因为没有人告诉他这两题解不开,他就真的解开了。
第二个是关于「看见别人做到了」。
几十年来,人类一直没办法打破一千六百米的跑步纪录——始终卡在四分钟以上。
结果 1954 年有人打破了四分钟的纪录。后来只过了四十六天,就有第二个人也打破了。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
A["没人做到过<br/>→ 认为做不到"] --> B["有人做到了"]
B --> C["46 天后<br/>第二个人也做到了"]上图是这条心理门槛的崩塌。限制不在身体,在「没人做到过」这个信念。
他还给了一个当代的例子:
前阵子西班牙有一个二十八岁的产品经理,完全没受过天文学训练、连望远镜都没有,却靠着写代码扫描了十二万多颗恒星的公开资料,然后发现了一颗潜在的新行星。
第二个方法:别太害怕
大多数人都高估了风险,又低估了回报。
用 AI 更是这样:在现实中做错决定可能会赔钱,但问 AI 一个它做不到的问题,代价就是几分钟跟一点点 token 而已。
「既然失败的成本几乎是零,你就不需要先相信它做得到——只要愿意试一次就够了。」
收尾
一直给自己设限,会让你错过太多太多的机会。
AI 让人类的能力突飞猛进,但我们大多数人挑战未知的勇气却还停留在原地。
最后回到开头:
在 AI 时代决定你能走多远的,还是你的野心跟认知。
野心决定你敢把多大的问题交给 AI,而认知决定你能让 AI 发挥出多深多广的实力。
我的三点补充
以下是评注,不是原片内容;取舍由我负责。
第一,「一层一层问然后呢」这套动作,真正的产出不是更好的答案,而是重新定义了问题。 前两层(简报、分析)都还在原问题的框架内改进;到第四层,它质疑的是「季报」这个形式本身。而这个跳跃之所以可能,是因为AI 没有「这件事本来就该这么做」的包袱——它不知道季报是行业惯例,所以它敢问「为什么是季」。这是人和 AI 协作里比较少见的一种互补:你的领域知识负责判断可行性,它的无知负责打开可能性。
第二,「角色扮演给的是口音,四问法给的是方法」这句区分,值得单独记。 因为角色扮演的门槛太低,容易让人误以为已经做了深度要求。但它的作用域只在措辞层——模型会调整语气、选更专业的词,却不会自动切换到那个领域的作业流程。而四问法之所以有效,是因为它逼模型先把方法论显式说出来,然后你才有机会审视:这套方法我认不认、适不适合我的场景。
第三,「名词换动词」这个技法,本质是在给检索换索引。 因为 AI 的知识是按行业组织的,你说出行业名词,就等于指定了检索分区。而作用描述是跨分区的,所以它能命中那些「解决同一类问题但属于别的行业」的方法。这也解释了为什么这个技巧在创意类问题上特别有效——创意的本质往往就是跨域嫁接,而它刚好打开了跨域的通道。
一句话总结:同一个模型,能做出什么取决于你敢问多大的问题。 而「敢」这件事,卡在两层——一层是你不知道怎么问得更深,一层是你压根没问就认定它做不到。