Felix Rieseberg onepage/ AI 工作法
AI workflow · tutorial
更有企圖地使用 AI：把任務提升、挖深、拉廣
Felix Rieseberg 的提醒不是把 prompt 寫得更長，而是改寫問題的尺度：別只叫模型更快完成手上的任務，改問它能否替你追求更高一層的成果、用更專業的方法追到更深的證據，並引入原本不會請來的學科視角。
Published: 2026-10-13Reading time: 8 minSource: Felix Rieseberg
01 / Altitude
先問成果，不要只問任務
把「做一份 QBR 簡報」往上重述為「讓決策者更早看見問題，並把資源放到正確位置」。模型取得的是成果的脈絡，而不是模板填空題。
02 / Depth
向專家借方法與證據
不要只要求一個更漂亮的回答；要求接觸原始材料、採用專業工具和可重現的方法，並交給模型以外的機制檢驗結果。
03 / Range
跨領域找新的解法
先將名詞換成動詞，釐清真正要發生的改變；再找不同領域實際會採用的視角、技法與反方挑戰，而非只做角色扮演。
Four types
速度是起點；後三種才會改變工作的形狀
Speed
更快
同一件事以更短時間完成。它重要，但也是最熟悉、最不需要重想工作的一層。
Altitude
更高
從待辦事項往上看，改以最終結果、決策與系統性影響來設計任務。
Depth
更深
進到原始資料、專業工具與因果假設，做得像真正領先的實務者。
Range
更廣
邀請更多領域的知識與技法參與，解除單一職能的預設邊界。
Altitude
把「交付物」改成「下一個應該發生的結果」
低
請模型完成眼前的一步
例如修一個 crash、更新一組數字或寫幾張投影片。模型在執行人類替它猜好的路徑，通常能省時，但很難改變團隊看見與決定事情的方式。
高
讓模型服務真正的目標
以維持產品穩定為例，目標不再是一張張修 bug，而是讓系統持續發現、重現、修正並驗證問題。這迫使流程接上 crash report、版本對照、可重現環境與驗證能力。
問
成果之外，下一步是什麼？
先問「這件工作要讓誰做出什麼改變？」再問「既有文件或會議是否只是過去的解法？」。適合自動化的高層任務，往往能減少人反覆把任務切碎、餵回模型的成本。
Depth
更深不等於更多：要換原料、方法與判定標準
從消化過的摘要，回到原始材料把資料庫、事件紀錄、客戶行為或實際程式與執行環境交給模型；不要只給已經被簡報濃縮過的表格。
要求方法，而不是專業口吻「像專家一樣」容易只換來術語。改問領域裡最好的實務者會用哪些儀器、資料結構、統計或調查手段。
讓既有假設接受對抗檢查請模型從原始資料嘗試推翻團隊相信的因果故事；把它當成找反例、盲點與可驗證預測的研究助手。
把評判交給外部世界不要讓模型自評答案。使用測試、資料保留集、可執行工具、專家審查或真實使用者回饋，建立獨立的正確性訊號。
Range
先描述動作，再組裝真正需要的跨域能力
把名詞換成動詞「做簡報」會把解法縮限在投影片；「讓忙碌的人在 30 分鐘內理解因果、在不確定下做決定」才會打開分析、敘事、互動與決策設計等更多可能。
組的是方法，不是人設想像一支會解題的團隊：分析師、記者、編輯、設計師、反方研究者。接著要求模型採用他們各自會用的研究與產出方式，而不是模仿角色說話。
給模型能做事的環境要實現上述三個維度，模型需要在受控權限內取得資料、工具與可驗證的工作環境。工作流、資料可用性與審核邊界，與 prompt 同樣重要。
Practical prompt
一個把普通需求推向「深度」的提問框架
→
先盤點，再重寫需求
請模型先說明：這個領域的頂尖實務者會做哪些我沒要求的事？他們會從哪種更原始的材料開始？採用哪些具體方法與工具？最後，要靠哪個獨立訊號而不是我們兩個的主觀判斷，才能證明結果成立？有了答案，再將原需求改寫成可執行、可驗收的版本。
References