当你让悟空「设计一个高并发电商系统架构」或「重构这段 500 行的遗留代码」时，你是否遇到过这样的崩溃时刻：
AI 洋洋洒洒生成了两千字，前半部分逻辑严密，后半部分开始胡言乱语；或者它给出了一个看似完美的方案，但当你深入细节时，发现核心链路的设计完全是幻觉，根本无法落地。
试图让 AI 一口吃成胖子，是复杂任务失败的头号原因。
在前面的文章中，我们分别解决了 需求模糊、格式返工 和 风格不对齐 的问题。但这些都是针对「单次交互」的优化。
当面对多步骤、长链条、高复杂度的任务时，单次 Prompt 往往会突破 AI 的注意力窗口或推理能力上限，导致逻辑断裂或幻觉。
今天，我们探讨技巧四：如何通过「分步执行」，用 Planning 思维驾驭复杂任务，确保每一步都稳扎稳打。
🎯 核心问题：为什么复杂任务容易翻车？
大语言模型（LLM）的本质是基于概率的下一个 Token 预测。当任务链条过长时，模型面临两个物理限制：
- 注意力衰减（Attention Decay）：随着生成内容的增加，模型对早期上下文（如核心约束、初始目标）的注意力会逐渐稀释，导致「顾头不顾尾」。
- 误差累积（Error Accumulation）：如果第一步的推理有 5% 的偏差，第二步基于错误的前提继续推理，偏差会呈指数级放大，最终导致结果完全不可用。
解决思路：把大任务拆解为小步骤，步步为营。
这在 AI Agent 领域被称为 Plan-and-Solve 模式。通过强制 AI 先制定计划（Planning），再分步执行（Execution），可以显著提升推理的准确率和可控性。
🧩 核心理念：分步执行（Step-by-Step）
不要试图用一个 Prompt 搞定复杂任务。先拆解计划，确认无误后，再按步骤逐一执行。
标准 Prompt 模式
"这是一个复杂任务：[任务描述]。
请不要直接给出最终结果。
第一步：请先将任务拆解为 N 个具体的执行步骤，列出详细的执行计划。
第二步：等我确认计划后，我们再按顺序逐步执行。每完成一步，请暂停等待我的反馈。"
🛠️ 实战案例
案例一：系统架构设计
❌ 错误做法（一次性生成）：
“帮我设计一个支持百万级并发的电商秒杀系统架构，包括前端、网关、服务层、数据库和缓存。”
结果：AI 可能会生成一篇泛泛而谈的「八股文」，涵盖了所有组件但缺乏深度，或者在数据库分库分表策略上产生幻觉。
✅ 分步执行：
“我需要设计一个支持百万级并发的电商秒杀系统。这是一个复杂任务，请不要直接给出完整方案。
第一步：请将设计过程拆解为合理的步骤（如需求分析、核心链路设计、技术选型、容量规划、容灾方案等），并列出执行计划。 第二步：等我确认计划后，我们再逐步展开。”
执行过程：
- AI 输出计划：
Step 1: 核心需求与约束分析（QPS 预估、库存一致性要求、防刷策略） Step 2: 整体架构分层设计（接入层、服务层、存储层） Step 3: 核心链路详细设计（秒杀请求流转、库存扣减逻辑） Step 4: 关键技术选型与理由（Redis Lua vs DB 乐观锁、消息队列削峰） Step 5: 容灾与降级方案 - 用户确认：“计划没问题，请先执行 Step 1。”
- AI 执行 Step 1：输出详细的需求分析。
- 用户反馈：“Step 1 很好，但 QPS 预估偏保守，请按 200 万 QPS 重新调整。确认后执行 Step 2。”
结果：每一步都经过用户审核和纠偏，最终方案精准、可落地，且完全符合业务约束。
案例二：遗留代码重构
❌ 错误做法：
“重构这段 500 行的 Python 代码，让它更 Pythonic 并修复所有 Bug。”
结果：AI 可能会修改了函数名但引入了新的逻辑错误，或者遗漏了边界条件的处理。
✅ 分步执行：
“这段代码逻辑复杂且缺乏测试。请不要直接重写。
第一步：分析现有代码逻辑，识别主要的「坏味道」（Code Smells）和潜在 Bug。 第二步：为关键逻辑编写单元测试用例（确保重构不破坏功能）。 第三步：基于测试结果，分模块进行重构（提取函数、优化命名、类型注解）。
请先输出第一步的分析报告。”
结果：通过「先测试、后重构」的分步策略，确保了重构的安全性。即使 AI 在某一步出错，也能立即被测试用例拦截，避免灾难性后果。
🧠 为什么分步执行有效？
- 强制思维链（Chain of Thought）：让 AI 先输出计划，本质上是强制它展示推理过程（CoT）。研究表明，CoT 能显著提升 LLM 在复杂推理任务上的准确率。
- 降低上下文压力：分步执行减少了单次生成的 Token 消耗，避免 AI 因注意力窗口过载而丢失关键约束。
- Human-in-the-loop（人在回路）：在关键节点（Checkpoint）介入纠偏，确保方向始终正确。一旦发现偏差，只需回退一步，而非全盘推翻。
🔄 与前三个技巧的组合
技巧四提供了 流程框架（Process），前三个技巧是 填充物（Execution）。
┌─────────────────────────────────────────────────────────┐
│ 复杂任务分步执行工作流 │
├─────────────────────────────────────────────────────────┤
│ │
│ 1. 任务拆解（技巧四） │
│ AI 输出执行计划 → 用户确认步骤 │
│ ↓ │
│ 2. 步骤 N 执行循环 │
│ ├─ 提问澄清（技巧一）：AI 确认该步骤的细节 │
│ ├─ 交付物定义（技巧二）：明确该步骤的输出格式 │
│ ├─ 示例对齐（技巧三）：提供参考样例对齐风格 │
│ └─ AI 生成 → 用户 Review → 进入下一步 │
│ │
└─────────────────────────────────────────────────────────┘
实战建议
- 何时使用分步执行？
- 任务涉及多个独立模块或阶段（如架构设计、长文写作）。
- 任务对准确性要求极高（如代码重构、数据分析）。
- 任务包含大量隐含约束，需要逐步确认。
- 步骤粒度如何控制？
- 太粗（如 2 步）：失去分步的意义，容易翻车。
- 太细（如 20 步）：交互成本过高，效率低下。
- 建议：一般拆解为 4-6 个关键步骤，每个步骤对应一个可验证的交付物。
🚀 进阶用法
变体一：自动分步（Auto-Step）
如果你不想手动控制每一步，可以让 AI 自动分步执行，但在关键节点暂停。
“请按照你制定的计划逐步执行。每完成一个步骤，请输出该步骤的结果，并暂停等待我的确认。只有在我回复’继续’后，才执行下一步。”
变体二：并行分支（Parallel Branching）
对于相互独立的子任务，可以让 AI 并行处理。
“Step 2 和 Step 3 是相互独立的。请同时输出这两个步骤的方案，我会分别审核。”
分步执行看似增加了交互次数，但实际上大幅减少了返工时间。对于复杂任务，一次性生成的失败率极高，往往需要反复推倒重来。而分步执行虽然前期多花了 2 分钟拆解计划，但确保了每一步都走在正确的轨道上，最终交付质量远超预期。
下一篇 悟空技巧五：迭代优化 将讨论当 AI 首次输出只有 70% 满意时，如何通过结构化反馈精准推到 100%，完成 AI 协作的最后一块拼图。
你在处理复杂任务时，是如何拆解步骤的？有没有遇到过 AI「顾头不顾尾」的翻车现场？欢迎留言讨论。