技能拆解：把复杂任务拆解成 AI 能完成的步骤

刚开始使用 AI 时总是遇到这种情况，想让 AI 做一件事但它说不理解。后来发现问题在于把复杂任务当成单一任务给 AI，但 AI 只能处理相对简单的步骤。

想让 AI 帮分析用户反馈找出产品问题提出改进建议，给 AI 的提示是这里有一千条用户反馈请分析找出产品问题并提出改进建议。AI 给出的回答是大部分用户反馈产品很好建议继续努力没有发现明显问题。但实际上这一千条反馈里有很多具体的问题。问题在于任务太复杂，同时要求分析加总结加建议 AI 不知道从哪里开始。缺少明确步骤，没有告诉 AI 具体怎么分析，没有定义什么叫问题。期望不现实，一千条反馈需要人工分析 AI 也需要分步处理。

吸取教训后开始拆解任务，但拆得太细。统计反馈数量、分类反馈类型、统计每类数量、找出最多的类别、分析该类别的具体内容、提取关键词、归纳问题、提出建议。AI 按步骤执行，但效率很低，要执行八次，每步之间的衔接不好，最终结果不如预期。拆解过度让 AI 失去了整体思考的能力。

经过多次实践，总结了一个技能拆解框架。结构包括主任务整体目标、子任务分解三到五个关键步骤、每步要求该步骤的具体要求、衔接逻辑步骤间的依赖关系、最终整合如何合并结果。

用上面的用户反馈例子，现在的做法。主任务分析一千条用户反馈找出产品问题并提出改进建议。子任务分解包括反馈分类技术问题功能问题体验问题其他、问题统计统计各类问题的数量和关键词、深度分析对高频问题进行根因分析、改进建议基于分析结果提出具体建议。每步要求包括步骤一每条反馈分类输出反馈ID分类，步骤二统计各分类数量提取 Top10 关键词，步骤三对 Top3 问题分析原因和影响，步骤四提供可执行的改进建议。衔接逻辑包括步骤一到步骤二基于分类统计，步骤二到步骤三基于高频问题分析，步骤三到步骤四基于根因提建议。最终整合生成问题报告加改进计划。现在 AI 能有序地完成每个步骤，步骤间逻辑清晰，最终结果完整可用。

拆解原则三到五个步骤原则。太少任务还是太复杂，太多步骤间衔接困难，三到五个平衡复杂度和可操作性。

每个步骤应该是相对独立的。好的拆解步骤一数据清洗、步骤二数据分析、步骤三结果可视化。坏的拆解步骤一清洗姓名列、步骤二清洗年龄列、步骤三清洗性别列、步骤四分析姓名分布、步骤五分析年龄分布。

每步都要明确输出格式。步骤一输出 CSV 格式 ID 清洗后数据状态，步骤二输出 JSON 格式统计结果对象，步骤三输出图表加分析报告。

在关键步骤后设置检查。步骤一数据清洗、检查点一验证清洗结果数据量格式异常值、步骤二数据分析、检查点二验证分析结果合理性完整性、步骤三结果输出。

让 AI 写技术文档之前单一任务，请帮忙写一份关于这个 API 的技术文档。现在拆解步骤，主任务编写 API 技术文档。子任务分解包括接口分析提取所有端点和参数、功能说明描述每个接口的作用、使用示例提供调用示例和返回结果、错误处理列出可能的错误和解决方案、文档整合生成完整文档。每步要求包括步骤一输出接口清单表格，步骤二为每个接口写一两句说明，步骤三提供 curl 和 SDK 示例，步骤四按错误类型分类说明，步骤五按文档规范整合。衔接逻辑步骤一到五依次进行。最终整合生成完整的 API 文档。文档结构清晰内容完整质量更高。

设计复杂任务时会问自己，能否拆成三到五个步骤不多不少，每步是否相对独立不会互相干扰，每步是否有明确输出可验证结果，步骤间是否有依赖关系合理衔接，最终结果是否可整合能合成完整输出。

技能拆解的本质是人机协作的分工。人负责定义任务、拆解步骤、整合结果，AI 负责执行具体步骤、处理数据、生成内容。不是把复杂任务交给 AI，而是把简单步骤分配给 AI。好的技能拆解关键在合理拆解、步骤独立、明确输出、有序整合。这套方法让处理复杂任务的成功率提升了百分之八十。