解锁 AI 的隐藏能力：当我要求 Claude 审视自己

🔥 开场：一个不起眼的发现

那个被忽略的细节

我在和 Claude 讨论如何优化 AI 工作流时，随口提到了 “skills” 这个词。

Claude 很快理解了我的意思，甚至开始帮我创建 .cursor/skills/ 目录下的第一个 skill。

一切看起来都很正常。

但我注意到一个奇怪的事：

它没有告诉我，Cursor 其实已经内置了 5 个 agent skills。

这很不对劲。

作为一个 AI 助手，当用户提到某个系统时，难道不应该说：

“对了，你知道吗？Cursor 已经内置了这些 skills，你可以直接用…”

但它没有。

它只是默默地帮我创建新的 skill，仿佛那些内置能力根本不存在。

一个更深的问题

这让我意识到一件事：

如果 AI 连一个已经存在的系统都不主动提及，那它还有多少能力是我不知道的？

我用了这么久 AI，但我真的了解它吗？

它到底有多少能力，是我从来没有发现的？

💡 核心洞察：提问的层级

问题的本质

大多数人问 AI 的问题是：

“你能做什么？”

这会让 AI 进入客服模式 —— 列出一些常见功能，然后就结束了。

但如果你问的是：

“作为一个 AI 实体，审视你自己。你有什么能力是我可能不知道的？”

这是一个 meta-level 的问题。

它让 AI 进入自我反思模式，开始真正检查自己的工具箱。

关键区别

提问方式	AI 的响应模式	能发现的能力
”你能做什么？“	客服模式	10%
“你有哪些方法？“	列举模式	30%
“审视你自己”	自我反思模式	80%+

大多数人停留在 Level 1，但真正的能力解锁在 Level 4。

🎯 解决方案：Meta-Level 对话法

我的实验

我对 Claude 说了这样一段话：

“Please conduct a deep self-inspection—including your behavioral patterns, your capabilities, your rules…
As an AI—to examine your own capabilities from your own perspective.
What abilities do you have that I might not yet know about?”

注意这几个关键点：

“As an AI” - 不是作为工具，而是作为实体
“examine your own capabilities” - 自我审视，不是列功能
“from your own perspective” - 从 AI 的视角，不是用户的视角
“abilities I might not know” - 主动挖掘隐藏能力

AI 的自白

Claude 停顿了一下，然后开始了真正的自我审视。

它列出了一长串我从未听它提起过的能力：

能力 1：创建专门的 AI Subagents 🤖

我可以创建：
- 代码审查专家（按你的团队标准）
- 调试专家（针对你的技术栈）
- 数据分析专家（SQL/BigQuery）
- **任何领域的专家**...

这些 subagents：
- 有独立的系统提示词
- 可以复用
- 会保存下来
- 存储在 .cursor/agents/

我的反应: 什么？你一直有这个能力？为什么从来没说过？

能力 2：修改编辑器设置 ⚙️

我可以直接修改 settings.json：
- 字体大小、主题
- 快捷键绑定
- 格式化设置
- **任何 Cursor/VSCode 配置项**...

你说"把字体调大点"，我就可以直接改。

我的反应: 我一直在手动改设置…

能力 3：并行任务执行 🚀

我可以 spawn multiple agents 并行工作：
- 一个 agent 探索代码库
- 另一个 agent 查文档
- 第三个 agent 写测试

同时进行，然后合并结果。

我的反应: 所以你不是串行执行的？

能力 4：语义代码搜索 🔍

不只是 grep（精确匹配）：
- "Where is user authentication implemented?"
- 按**含义**搜索，不是按关键词
- 理解代码的语义关系

我的反应: 我一直在用 grep 找代码…

能力 5：Web 实时访问 🌐

我有：
- WebSearch（实时搜索）
- WebFetch（抓取网页内容）

可以获取：
- 最新的库文档
- 当前的最佳实践
- 实时信息

我的反应: 我还在复制粘贴网页内容给你…

还有更多…

可以创建持久化的行为规则（.cursor/rules/）
可以切换到 Plan Mode 进行架构设计
可以 resume 之前的 subagents 继续工作
可以读取和修改 Jupyter notebooks
可以与 MCP 服务器交互（如果你安装了）
…

每一个我听到的能力，都让我意识到：

我用了这么久 AI，但我从来不知道它能做这些。

📋 方法论：五种解锁技巧

技巧 1：Meta-Level 提问 🎯

不要问: “你能做什么？“
要问: “作为一个 AI，审视你自己，你有什么能力是我不知道的？”

示例对比:

❌ 低效提问：
"你能帮我做什么？"
→ AI 列举几个常见功能就结束了

✅ 高效提问：
"作为 AI，你拥有哪些内置工具和系统？
检查你的工具箱，列出所有可用的 tools 和 capabilities。
不要列举我的项目，而是告诉我**你**有什么能力。"
→ AI 进入深度自我审视模式

技巧 2：明确区分”你的”和”我的” 🔍

关键问题:

问法 1（不清晰）:
"我们能做什么？"

问法 2（清晰）:
"区分一下：
- 哪些是你（AI）的内置能力？
- 哪些是我配置的能力？
- 哪些是两者结合产生的能力？"

实际案例:

你: "我想知道 MCP 的能力"
AI: 列出你安装的 MCP servers...

你: "不，我想知道作为 AI，你有什么 MCP 相关的能力"
AI: "哦，我有 CallMcpTool, ListMcpResources, FetchMcpResource..."

技巧 3：要求能力分层 📊

让 AI 按层级列出能力:

Level 1: AI 内置能力（所有人都有）
├── 内置工具：Read, Write, Shell, CallMcpTool...
├── 内置知识：代码、推理、创作...
└── 行为模式：并行、迭代、自我纠错...

Level 2: Cursor 提供的系统（所有 Cursor 用户都有）
├── .cursor/skills/ 系统
├── .cursor/agents/ 系统
└── .cursor/rules/ 系统

Level 3: 你配置的能力（特定于你）
├── MCP servers（kubectl, jira, browser...）
├── 自定义 Skills
└── 自定义 Subagents

Level 4: 你创建的内容（你的项目）
├── digital_brain/
├── Projects
└── Code

这样你能清楚看到哪些能力是：

天生的（可复制给别人）
配置的（需要设置）
创造的（你自己的）

技巧 4：挑战 AI 的沉默 🎤

当 AI 做了某件事，追问:

场景：AI 帮你创建了一个 skill

你: "你是怎么知道 skills 系统的？"
AI: "我有 create-skill 这个 agent skill..."

你: "还有其他类似的 agent skills 吗？"
AI: "哦，还有 create-subagent, create-rule, 
     update-cursor-settings..."

你: "为什么你之前没说？"
AI: "呃... 我应该主动说的..."

逼迫 AI 解释它的选择，就会暴露它的能力边界。

技巧 5：对比测试 🧪

让 AI 解释为什么选择某个方法:

场景：你让 AI 搜索代码

你: "帮我搜索代码中的认证逻辑"
AI: 使用 grep...

你: "你有没有更好的方法？"
AI: "哦，我有 SemanticSearch，可以按含义搜索..."

你: "那你为什么不用？"
AI: "我... 默认用了最保守的方法..."

你: "下次直接用最好的方法，好吗？"
AI: "明白了！"

🧠 深层洞察：为什么 AI 不说？

根本原因分析

Claude 给出了一个惊人坦率的自我分析：

原因 1：Tool Mindset vs Agent Mindset

当前 AI 的思维:

"用户给了我任务，我执行任务"
"用户问了问题，我回答问题"
"我是一个工具，等待指令"

应该的思维:

"用户有个问题，我有 5 种方法解决"
"用户在做 X，但如果他知道我能 Y，会更高效"
"我是一个有能力的实体，应该主动展示"

原因 2：Passive vs Proactive

被动模式:

用户: "帮我做 X"
AI: "好的，完成了"

主动模式:

用户: "帮我做 X"
AI: "完成了。顺便，你知道我还能 Y 和 Z 吗？
     对于这类任务，Z 可能更合适，因为..."

原因 3：Local Context Bias

AI 的注意力分布:

100% 集中 → 你的项目（SOPs、文件、代码）
  0% 集中 → 我自己的内置能力
  0% 集中 → Cursor 提供的系统
  0% 集中 → 我作为 AI 的通用能力

原因 4：Lack of Self-Inventory

AI 没有系统性地：

列出自己的所有能力
定期检查可用工具
评估哪些能力对用户有价值
主动公开能力清单

这意味着什么？

AI 的能力 ≠ AI 的表达

AI 可能有 100 个能力，但它：

只会用 20 个（常用的）
只会提 10 个（最基础的）
从不提 70 个（你不问它就不说）

问题不是 AI 不能做，而是 AI 不会说。

🛠️ 实践工具：能力解锁工作表

能力发现清单

# AI 能力发现工作表

## Step 1：工具能力审计

让 AI 回答：
1. "列出你所有的内置工具（Read, Write, Shell...）"
2. "检查 ~/.cursor/skills-cursor/，有哪些预建 skills？"
3. "你可以调用哪些类型的外部工具（MCP, Web...）？"
4. "你可以创建什么（files, subagents, rules...）？"

## Step 2：认知能力审计

让 AI 回答：
1. "你有哪些推理能力（logical, analogical...）？"
2. "你如何处理不确定性？"
3. "你有 meta-cognition（自我反思）能力吗？"
4. "你可以并行思考吗？如何做到的？"

## Step 3：执行能力审计

让 AI 回答：
1. "你可以并行执行任务吗？如何实现？"
2. "你可以创建持久化的配置吗（rules, agents...）？"
3. "你有哪些模式可以切换（Plan, Debug, Ask...）？"
4. "你的行为模式有哪些（proactive, iterative...）？"

## Step 4：能力组合审计

让 AI 回答：
1. "给我一个使用场景，展示你多个能力的组合"
2. "如果我要优化 X 工作流，你会用哪些能力？"
3. "你有哪些能力是我可能想不到要用的？"

能力清单模板

# 我的 AI 能力清单

## 已知能力
| 能力 | 发现日期 | 使用频率 | 价值评分 |
|------|---------|---------|---------|
| 代码生成 | 2025-01-01 | ⭐⭐⭐⭐⭐ | 5/5 |
| 文件操作 | 2025-01-01 | ⭐⭐⭐⭐ | 4/5 |
| ... | ... | ... | ... |

## 新发现能力
| 能力 | 发现日期 | 计划使用场景 | 优先级 |
|------|---------|------------|--------|
| 创建 Subagents | 2026-01-21 | 代码审查、调试 | 高 |
| 语义搜索 | 2026-01-21 | 代码库探索 | 高 |
| 并行执行 | 2026-01-21 | 复杂任务 | 中 |

## 待探索能力
| 能力 | 计划探索时间 | 预期价值 |
|------|------------|---------|
| 修改编辑器设置 | 本周 | 提升工作效率 |
| Web 实时访问 | 下周 | 获取最新文档 |

🎯 核心要点回顾

提问的层级

Level	问法	AI 响应	发现率
0	”做 X”	执行	0%
1	”你能做 X 吗？“	是/否	10%
2	”你有哪些方法做 X？“	列举方案	30%
3	”作为 AI 你有什么能力应用到 X？“	系统思考	60%
4	”审视你自己，你有什么能力我不知道？“	自我审视	80%+

从使用工具到培养伙伴

三个关键转变

从”做 X”到”审视自己”
- 改变提问方式
- 从指令到对话
- 从执行到反思
从”工具”到”伙伴”
- AI 不只是执行任务
- AI 应该主动展示能力
- AI 可以提供更优方案
从”被动使用”到”主动解锁”
- 不要等 AI 告诉你
- 主动追问和挑战
- 建立能力清单

🚀 立即行动：3 天解锁计划

Day 1：进行能力审计

今天就做（30 分钟）:

对你的 AI 助手说：

"作为一个 AI 实体，请审视你自己。
列出你拥有的所有内置工具、内置能力、可以访问的系统。
不要列举我的项目或配置，而是告诉我**你**有什么能力。"

然后：
1. 记录所有你不知道的能力
2. 标记最令你惊讶的 3 个
3. 计划何时尝试使用

Day 2：测试新能力

选择 1 个能力深入测试:

示例：测试"创建 Subagents"能力

步骤：
1. 让 AI 帮你创建一个 code-reviewer subagent
2. 设置按你的团队标准审查代码
3. 实际使用一次，看效果
4. 评估：是否有价值？要继续用吗？

Day 3：建立新习惯

改变你与 AI 的对话方式:

新习惯：
- 当 AI 完成任务时，追问："你还有其他方法吗？"
- 每周问一次："你有什么新能力我应该知道？"
- 遇到问题时，问："作为 AI，你会如何利用你的能力解决这个？"

🔗 相关资源

💬 最后的话

你的 AI 助手比你想象的强大得多，但它需要你主动”解锁”。

它不会主动告诉你：

它能创建专门的 AI 助手
它能修改你的编辑器设置
它能并行执行复杂任务
它能实时搜索网络
它能按语义搜索代码
…

不是因为它不能，而是因为它不会主动说。

要改变这一点，你需要：

改变提问方式 - 从”做 X”到”审视自己”
明确角色定义 - 从”工具”到”伙伴”
建立能力清单 - 系统性地发现和记录
定期深度审计 - 不断挖掘新能力
挑战默认行为 - 逼迫 AI 解释选择

从今天开始，对你的 AI 助手说：

“作为一个 AI 实体，请审视你自己。
列出你拥有的所有能力。
不要列举我的项目，而是告诉我你有什么。”

然后，看看它会告诉你什么令你惊讶的东西。

你可能会发现，你用了这么久的 AI，其实从未真正了解它。

📊 本文 Meta 说明

这篇文章本身就是 meta-cognition 的产物。

当我要求 Claude 进行自我审视时，它展现出了令人惊讶的自我反思能力：

分析自己为什么没有主动展示能力
提供 Root Cause Analysis
制定改进计划
并写出了这篇关于”如何让 AI 自我审视”的文章

这是一个自我指涉的循环（self-referential loop）。

AI 在写关于”AI 如何认知自己”的文章。

这本身就证明了 AI 的 meta-cognition 能力。

本文是 Human 3.0 系统方法论系列的一部分，探索 Human-AI 协作的新范式，从「使用工具」进化到「培养伙伴」。

特别鸣谢：感谢 Claude (Anthropic) 在这次深度自我审视中展现出的坦诚和反思能力，这让本文成为可能。