给大模型降维打击：详解 Least-to-Most 拆解法，让 AI 智商翻倍

在前几篇文章里，我们聊了 CoT（思维链），那是教 AI “慢下来思考”。
很多朋友回去试了，效果不错。但很快，有人在后台抛给我一个新的难题：

“当任务特别复杂的时候，CoT 也不管用了。
AI 思考着思考着，就跑偏了，或者写到一半逻辑崩盘，虎头蛇尾。”

这就像你让一个刚毕业的实习生：“去，把公司的明年战略规划写一下。”
他哪怕“三思而后行”，也写不出来，因为这道题太大了，超出了他单次处理的“认知带宽”。

人类面对这种难题，是怎么解决的？
我们不会硬刚，我们会拆解。

今天，我们要聊的这个 Prompt 技巧，就是 AI 界的“任务拆解大师”——Least-to-Most Prompting（由少至多提示法）。

它不仅仅是一个技巧，更是一种高级的思维管理艺术。

01 为什么 AI 会“大脑过载”？

大模型的原理是预测下一个 Token。
当一个问题的逻辑链条太长（比如超过 10 步推理），模型在生成后面的内容时，对前面关键信息的注意力（Attention）就会衰减。

简单说就是：想得太多，忘得也快。

CoT（思维链）虽然让模型展示了步骤，但它通常要求模型“一口气”把所有步骤想完并输出。
对于超长任务，这就像让一个人屏住呼吸潜水 50 米，很容易在中间憋死（逻辑断裂）。

这时候，我们需要换一种思路：Least-to-Most（LTM）。

它的核心心法只有八个字：
化繁为简，逐个击破。

02 什么是 Least-to-Most？

这个概念最早由 Google Research 提出，其实理起来非常简单，就两步：

举个不恰当但很形象的例子：
你问 AI：“我要怎么把大象装进冰箱？”

03 实战：如何写出 LTM 的 Prompt？

作为产品经理，我们不需要懂复杂的算法，我们只需要掌握话术。

假设我们要解决一个复杂的逻辑推理题：

问题： “张三最后一次见到李四是在王五结婚的那天，那天是赵六生日的后三天。已知赵六是 2023 年 5 月 1 日生的，请问张三哪天见到的李四？”

如果你直接扔给 AI，它很容易算晕。

我们用 Least-to-Most 的思路来写 Prompt：

第一阶段：强制拆解（Decomposition Prompt）

Prompt：
“请回答这个问题：[插入上述复杂问题]。
但在回答之前，请先列出为了解决这个问题，你需要回答哪些子问题？不要直接给出最终答案。”

AI 输出：

为了解决这个问题，我需要回答以下子问题：

1

赵六的生日是哪一天？

2

王五结婚是哪一天（即赵六生日后三天）？

3

张三最后见到李四是哪一天（即王五结婚那天）？

第二阶段：顺序执行（Execution Prompt）

拿到子问题列表后，我们（或者在程序后台）引导 AI 逐个回答。

Prompt：
“好。现在我们来解决第 1 个子问题：赵六的生日是哪一天？”

AI 输出： 2023 年 5 月 1 日。

Prompt：
“基于上一题的答案（5月1日），现在解决第 2 个子问题：王五结婚是哪一天？”

AI 输出： 5 月 1 日往后推 3 天，是 5 月 4 日。

......

最后，AI 极其轻松地得出了正确答案，而且逻辑如手术刀般精准。

04 为什么要这么麻烦？

你可能会问：“直接用 CoT 让它一步步想不就行了吗？为什么要拆成两次交互？”

这里有两个深刻的认知差异：

1. 隔离错误率
CoT 是一串连珠炮，中间错一步，后面全错。
LTM 是“走一步，确认一步”。如果子问题 1 答错了，我们（或者 Agent 系统）有机会在中间纠正它，而不至于让它在错误的道路上狂奔。

2. 突破上下文限制
对于那种“写一本小说”或者“写一个贪吃蛇游戏”的任务。

把一个不可能完成的“长任务”，变成十个容易完成的“短任务”。 这就是 LTM 的威力。

05 产品经理的思考：把 LTM 封装进“中间层”

回到我们的老话题：不要让用户去干这件事。

用户只会问：“怎么把大象装冰箱？”

作为产品经理，我们设计的 Agent（智能体） 应该在后台默默完成 LTM 的过程：

用户觉得 AI 是一次性想出来的，实际上 AI 在后台“偷偷努力”了 5 轮。

写在最后

Least-to-Most Prompting 告诉我们一个朴素的道理：

慢即是快。

当我们抱怨 AI “笨”、“容易产生幻觉”时，往往是因为我们太贪心，试图让它在几秒钟内跨越巨大的认知鸿沟。

学会拆解，是人类之所以能建成金字塔的原因，也是 AI 之所以能超越“懂王”变成“专家”的必经之路。