Free Preview
先试读：复杂任务别直接丢给AI：先学会拆
很多人拿到一个任务，直接开始拆。拆完之后发现：每一步 AI 都做了，但最后的结果和最初想要的完全不一样。
没有明确目标就开始拆，你的每一步都在「猜」AI 应该如何做。没有明确范围，AI 的输出会越来越宽，边界完全失控。没有明确限制，你可能会在无关紧要的地方浪费大量时间，或者交付的结果根本不符合实际使用场景。
这篇能解决什么问题
- 把“任务拆解”从概念变成可执行步骤，而不是停在听懂了。
- 知道真实任务应该先问什么、拆什么、验收什么，减少反复返工。
- 提前识别容易跑偏的位置，用更明确的标准控制 AI 输出。
付费后能看到哪些内容
- 拆解之前：先定义清楚这三件事
- 为什么这三件事不能跳过
- 拆解的最小框架：三步走
- 怎么把一个任务拆成子任务
可以先照着试的一句话
把这项复杂任务拆成相互依赖的子任务；每一步写清输入、产出、验收标准和失败后回到哪一步，不要立刻生成最终成品。
试读到这里先判断是否对你的任务有用；完整文章会继续展开步骤、案例、模板和避坑细节。
拆解之前：先定义清楚这三件事
目标、范围、限制——这三件事没想清楚，拆出来的东西一定会偏。
很多人拿到一个任务，直接开始拆。拆完之后发现：每一步 AI 都做了，但最后的结果和最初想要的完全不一样。
原因很简单：拆解之前，没有先把这三件事定义清楚。
目标：我要的是什么？最终交付物是什么样子？
范围：做到什么程度算完成？哪些是在范围内，哪些不在？
限制：有什么不能变的条件？格式、风格、字数、渠道限制是什么？
为什么这三件事不能跳过
没有明确目标就开始拆，你的每一步都在「猜」AI 应该如何做。没有明确范围，AI 的输出会越来越宽，边界完全失控。没有明确限制，你可能会在无关紧要的地方浪费大量时间，或者交付的结果根本不符合实际使用场景。
在正式拆解之前，用三句话把这三件事写出来：
「我要做的是 __，交付物是 __，衡量的标准是 __。」
如果写不出来，说明任务本身还不够清晰——先回到需求本身想清楚，再开始拆解。
拆解的最小框架：三步走
不需要复杂的方法论，这三步能覆盖大多数场景。
Break into 2-4 sub-tasks
把整体目标拆成自然顺序的子任务。每个子任务是一个最小执行单元，完成一个再推进下一个。
Define acceptance criteria for each step
在让 AI 执行之前，说清楚这个子任务完成后，什么样子算「完成了」，什么样子算「还不够」。
Execute sequentially with checks
每步完成后，用验收标准检查输出。如果偏了，及时拉回再继续，而不是等到全部完成后再返工。
超过 4 个子任务，任务管理成本急剧上升，你自己也容易忘记最初的目标。建议把复杂任务拆成不超过 4 个步骤，每个步骤里如果还有细节，再在 Prompt 里控制。
怎么把一个任务拆成子任务
两种拆法：按时间顺序，或按功能模块。选哪个，取决于任务的性质。
按时间顺序拆
适合：任务有明确的执行流程，后一步依赖前一步的输出。先收集资料，再整理分析，最后形成报告。
流程型任务按功能模块拆
适合：任务可以分解为相对独立的几个部分，各部分之间没有强依赖关系。可以并行准备，最后组装。
组装型任务一个具体案例：拆「写市场调研报告」
按时间顺序拆（选择这个，因为报告内容有前后依赖）：
注意：每一步都设定了一个具体的交付范围，而不是让 AI 自己判断「应该写多少」。这就是「边界清晰」的子任务。
每一步怎么问 AI
子任务的 Prompt 不是原始需求的复制，而是重新表达后的最小可执行指令。
好的子任务 Prompt 长什么样
好的子任务 Prompt 包含三个部分：
背景：这个子任务在整体任务中的位置是什么，目的是什么
指令：具体要做什么，用什么方式做
验收：完成后什么样子算达标
一个对比示例
❌ 不好的 Prompt（直接把原始需求复制）
→ AI 不知道要覆盖几个竞品、每个竞品要说哪些方面、用什么结构表达、写到多深算够。
✓ 好的 Prompt（含背景 + 指令 + 验收）
任务：写「竞品分析」部分
要求：覆盖三个主要竞品（A、B、C），每个竞品用200字左右说明其产品定位、核心优势和目标用户
结构：每个竞品单独一段，用「产品定位→核心优势→目标用户」的顺序表达
验收：我需要三段完整内容，段落之间结构一致，数据和描述有来源依据
Prompt 不是越长越好，而是每个词都在控制输出边界。不相关的背景不要写，但相关的边界必须写清楚。
防止任务越做越偏
每一步完成后做检查，用验收标准对照输出。如果偏了，及时拉回来。
任务漂移是复杂任务执行中最常见的问题。AI 在生成内容时，会自然倾向于「说更多」和「说更完整」，这会让输出范围逐渐扩大，超出最初的目标。
- 这一步的输出，有没有超出我设定的范围？
- 这部分内容，和整体目标的相关性还强吗？
- 如果把这一步的输出给一个不了解背景的人看，他能理解它在整体任务中的位置吗？
- 现在的进度，是否还在计划的时间和步骤内？
如果发现偏了怎么办
不要等到全部完成后再整体返工。在每个子任务完成后，立刻判断方向是否正确。如果偏了，用这个方式拉回来：
纠偏不是否定 AI 的输出，而是引导它重新聚焦。把「你做得不对」变成「我们把方向调一下」——AI 在这种引导下通常能很快回到正确方向上。
真实案例：把一个模糊需求变成完整执行
以「帮老板准备季度汇报 PPT」为例，演示完整拆解过程。
Step 2：填充每页的核心数据和关键信息
Step 3：调整逻辑和叙事线，让汇报有起承转合
Step 4：统一视觉风格和格式
不是一口气让 AI 写完整份 PPT，而是把 PPT 拆解成「结构→内容填充→逻辑调整→格式」四个独立步骤，每步有每步的交付标准和验收方式。这样做的好处是：任何一步出问题都可以单独返工，而不是整体推翻重来。
拿到结果之后：迭代优化而非一次成型
AI 的初稿往往在 70 分水平。在它的基础上做迭代，才能达到 90 分。
很多人对 AI 失望，是因为期待它「一次给出完美结果」。实际上，AI 生成的内容往往逻辑通顺、表达流畅，但深度不够、重点不清、风格不一定匹配——这是语言模型的天然特性。
不要轻易让 AI 重写整段内容。先指出具体问题，再让它做针对性调整。一份报告经过 3 轮迭代的最终质量，通常高于让 AI 从零开始写三版的最终质量。
- 拆解之前先明确目标、范围、限制——这三件事没想清楚，拆出来的一定会偏
- 拆解最小框架：拆成 2~4 个子任务 → 每步设验收标准 → 顺序执行 + 中途检查
- 子任务 Prompt 包含三部分：背景 + 指令 + 验收，不是原始需求的简单复制
- 每步完成后用验收标准检查输出，发现偏了及时拉回，不要等到全部完成后再返工
- AI 初稿通常在 70 分，迭代优化比重新写更高效，3 轮迭代通常好过让 AI 重写三版
Complex Tasks — Break it down before you hand it over