TL;DR：Felix Rieseberg 寫的 AI 野心教學，已經說明模型需要一台能安裝軟體的電腦和相關資料，也特別強調要堅持外部驗證。這篇文章用我讓三家 AI 審查 Claude 的經驗，補上用別家模型當審查員時，外部驗證可以怎麼搭，以及它為什麼會改變人敢交辦的範圍。
Felix Rieseberg 是 Anthropic 的工程經理，至今負責過 Claude.ai、Cowork 和 Claude Code 桌面版的工程。10 月 13 日，他在個人網站發表〈How to be more ambitious: A tutorial for humans with models〉，分享了自己的一段經驗：他原本請 Claude 一次修一個閃退，後來乾脆交代 Claude，讓團隊的 app 保持不閃退。
要做到這一點，他先讓 Claude 能讀取閃退報告、查到版本和程式碼的對應關係，也給了它三種作業系統的電腦，讓它能自己重現問題、確認有沒有修好。
「用 AI 要更有野心」為什麼這麼難照做？
Felix 說，他和其他做 AI 的人常把「更有野心」掛在嘴邊，看到厲害的成果就轉貼，再補一句大家還不夠有野心。但他也明白，這個建議很難照做，所以把野心分成四種：
| 野心 | 意思 | Felix 舉的例子 |
|---|---|---|
| 速度 | 同樣的事，花更少時間做完 | 要寫程式，用 Claude 會寫得更快。他認為這種做法已經成熟，所以跳過不談 |
| 高度 | 把交辦的層次往上拉，從單一任務改成最後要的結果 | 他原本請 Claude 一次修一個閃退，後來直接交代它讓團隊的 app 保持不閃退 |
| 深度 | 像領域頂尖專家那樣做，直接碰原始資料、專業工具和問題的根源 | 堅持使用資料庫和統計模型這類頂尖專業者會用的工具；給它原始資料，請它反過來檢查你的假設；找外部裁判，不讓模型評自己 |
| 廣度 | 除了任務表面上需要的那個領域，也找來其他領域，用上平常不會用的知識、工具和技巧 | 把名詞換成動詞，找出哪些領域派得上用場；替任務組一支跨領域的團隊 |
他也替後三種野心各列了具體做法，有些還附上提示詞。
文章最後，他用心理學的自我效能收尾，談人會被自己相信的可能性框住。在那之前，他先交代了前提：他在文中談的這些野心做法，都需要模型有一台能安裝軟體的電腦，也拿得到相關資料。他那段引導你把任務做得更深入的提問裡，也有三項正好對應資料、工具和外部驗證：最原始的材料是什麼，該用哪些方法和工具，以及除了你我，還有什麼能證明結果是對的。
電腦和資料是他明說的前提。至於外部驗證，則是「深度」那一節裡的一招，他特別強調要堅持。他也觀察到，模型越強，似乎越能直接接下層次更高的目標；不過他也說，在 2026 年，光叫 Claude 去賺錢，對多數公司看來還行不通。從他的文章來看，用 AI 的野心有一部分得靠基礎建設。開頭那個讓 app 不閃退的例子，本身就是一套驗證管線。我想補上他沒有展開的兩件事：用別家模型當審查員時，外部驗證要怎麼搭；以及它為什麼會改變人敢交辦的範圍。
AI 的外部裁判要怎麼搭？
Felix 在「深度」那一節談外部裁判，只寫了幾行：「Do not ask the model to judge itself」。他認為，最好用模型能自己執行、立刻取得回饋的工具來做外部驗證。他的假設是，等模型更聰明，這件事終究會解決；但在 2026 年 10 月，他懇請讀者務必堅持外部驗證。Huang 等人 2023 年的研究用 GPT-3.5、GPT-4 等當時的模型測試，也發現沒有外部回饋時，模型很難自行修正推理，有時改完反而更差。
這幾個月來，我補上的另一種外部驗證，是讓別家的模型來審。它不像能直接執行的工具那樣能立刻給回饋，獨立性也有限，這點後面再談。今年七月寫美伊戰爭的分析時，我讓 Grok 檢索資料並整理成報告，再交給 Perplexity 重新整理，接著請 Claude 寫成初稿。查核則另外交給一個 agent，只給它成品，要它把每個連結點開。它拿 Bruegel 的 PDF 和 OFAC 的公告比對，抓出初稿裡的三個硬錯。回頭看，三個模型在把資料整理成報告或初稿時都出過錯。至少在那次測試裡，檢索的品質比我原先預期的好。
我目前這一輪的配置是這樣：
| 角色 | 由誰擔任 | 防線 |
|---|---|---|
| 執行者 | Claude Code | 產出交給三家挑錯 |
| 挑錯員 | OpenAI 的 Codex | 只能讀；每次查紀錄，確認實際跑的是哪個模型 |
| 挑錯員 | xAI 的 Grok | 三層唯讀：工具清單、權限規則、沙盒 |
| 挑錯員 | Google 的 Antigravity | 只能讀；只跑 Google 自己的 Gemini |
| 研究員 | Perplexity | 查資料，附上原始出處，方便回頭核對 |
| 拍板的人 | 我 | 重要的事實回到原始來源核對 |
這張分工表會隨模型換代重新調整。這一輪看到的四種假象，我寫在〈AI 審查報告最危險的地方，是它看起來查過了〉。這裡先談兩個跟搭建有關的經驗。
一開始在自己的 Mac 上設定 Grok 時，我限制它不能寫檔。它被拒絕之後，改用 shell，試著從另一條路寫入，最後被 macOS 的沙盒擋下來。後來我替 Grok 疊了三層唯讀限制：工具清單只開放讀取類工具，權限規則封鎖寫入和指令列，最底層再由沙盒擋一次。一層被繞過，還有下一層。
Codex 則讓我養成查紀錄的習慣。有一次設定沒生效，它沒有報錯，只是默默改用預設模型，交出來的報告看起來一樣仔細。從那之後，我每次都會回頭查紀錄，確認它實際用的是哪個模型。
多找幾個 AI 互審，為什麼還不夠？
審查員要獨立，至少有兩層意思。一層是不受產出者影響：給它的問題不能夾帶我的結論，做法寫在我讓 codex 挑 Claude 的錯，但不照它說了算；七月那次查核也定下一條，查核員不能先讀產出者的推理過程，免得被同一套說法帶著走。另一層是血統，也就是模型出自哪一家、用什麼架構。找第二意見時，Antigravity 的模型清單裡雖然也有 Claude，我只讓它跑 Google 自己的 Gemini，免得變成 Claude 審 Claude。
這兩層加起來，獨立性仍然有限。Kim 等人 2025 年的研究分析了 350 多個模型在兩個排行榜上的作答紀錄；在其中一個排行榜的題目上，兩個模型都答錯時，有六成給出同一個錯誤答案。同一家公司的模型，錯誤相關性更高，換家有道理；可是越大、越準的模型，就算來自不同公司、架構也不同，錯誤仍高度相關，只換家並不夠。
這項研究測的是答題；論文也提到，這種相關性會影響拿模型當評審的結果。我的延伸是，模型互相核對時，也可能一起錯過同一個錯。七月那次能抓到錯，靠的是查核員打開了 Bruegel 的 PDF 和 OFAC 的公告；回到原始來源，或用能執行的工具驗證，這類一起犯的錯才比較容易浮出來。這跟 Felix 說最好用工具，方向是一樣的。
自我效能從哪裡來？
Felix 在文章最後談到自我效能，也提到有證據顯示，自我效能可以刻意提升。他引用 Locke 和 Latham 回顧 35 年目標設定研究的結論：拿到具體又困難目標的人，表現比只被叫去盡力的人更好。
同一篇論文裡，Locke 和 Latham 也寫到，目標要有效，人需要回饋，知道自己離目標還有多遠；不知道自己做得怎麼樣，就很難，甚至無法調整力氣和方法。
我認為，放到人和 AI 的協作裡，抓錯的機制可以看成這種回饋。Felix 能把顧好不閃退這個結果交給 Claude，前提是重現和驗證都接好了；我現在能放心讓三家 AI 審查 Claude 的產出，是因為吃過虧之後，補上了唯讀限制和查紀錄的習慣，重要的事實也會回到原始來源核對。抓錯的機制越可靠，人越敢把更大的事交給 AI。
這跟我三月寫的知識管理不靠自律，靠管線接得上。不過七月做事實查核時，我發現那個結論只說對了一半：管線能搬資料、留來源，但要不要啟動，最後還是得有人決定。野心也一樣，抓錯的機制搭得再好，最後拍板的還是人。我常說的超級個體，是一個人產出團隊規模的成果；二月那篇談的是調度和判斷，現在回頭看，還得加上這些一層層接起來的抓錯機制。
綁在手腕上的翅膀
Felix 在文章開頭用飛行比喻大家用 AI 的落差，配圖也是一張飛行版畫〈飛行的方法〉（Modo de volar），出自 Goya 晚年的 Disparates（荒唐）系列：五個人戴著鳥頭形狀的頭盔，翅膀用帶子綁在手腕和腳上。大都會博物館的說明提到，這張畫曾被看成一則隱喻，象徵當時西班牙保守派反對的新政治與哲學思潮；也可以聯想到當年馬德里流行的熱氣球表演。
Goya〈飛行的方法〉（Modo de volar），約 1815–16 年作，1864 年出版。圖片來源：大都會藝術博物館，公有領域。
Goya 對這些人是期待還是嘲諷，我說不準。我留意的是，翅膀與身體之間，還有幾條需要親手繫好的帶子。
用 AI 也是這樣。把工作交出去之後，我仍得知道，錯了要去哪裡查，偏了要怎麼拉回來，最後的決定由誰承擔。這些事每清楚一點，我就敢把原本不敢交辦的事，再往前推一點。
所以，想用 AI 做更有野心的事，先看看，那些能夠查證、修正、承擔的帶子，繫好了沒有。真正的勇氣是長在這些細節裡。知道自己如何回應可能的失誤，才有餘裕去想，還能飛往哪裡。
也可以從 智能與秩序 主題頁，看這個系列的其他文章。
💬 留言討論
載入中...