一次问一个还是一次全问？提问粒度对答案的影响

AI 回答的质量，很多时候取决于你一次问多少。把十个需求塞进一句话，得到的大概率是一份样样都浅的清单；一次只问一件事，答案往往更深也更可执行。提问粒度就是「一次问多少」的分寸感，它没有标准答案，但有清晰的判断依据：任务的复杂度、问题之间的依赖关系，以及你打算怎么用这份答案。先把粒度这件事想明白，后面的提问技巧才有落点。

一口气问全的问题出在哪

把多个问题写进同一条消息，模型会平均分配注意力，每个问题分到的思考空间都变少。常见的结果有三类：只答了最后一个问题、每个问题各给两三句泛泛而谈、或者把不同问题搅在一起答。任务越多，模型还要自己判断先答哪个、怎么排序，这一步的判断就可能与你的预期不符。更隐蔽的是，前置条件会被稀释：你以为交代清楚了背景，实际上模型只抓到了最显眼的那个问题。发现答案有漏项时，与其追问「还有呢」，不如回头检查是不是粒度出了问题。

分步提问为什么更稳

一次问一个，等于把大任务切成单步执行，每一步模型都可以全力应对，你也能在每一步检查方向是否正确。发现走偏，当场纠正，损失只有一步；一口气问全时走偏，返工就是全部重来。分步还有一个连带好处：上一步的结论自然成为下一步的输入，模型在你确认过的基础上推进，错误不会一路传递到底。多步任务里，分步问的轮次看起来多了，实际上因为返工少，总耗时反而更短。

适合一次问全的任务类型

粒度不是越细越好，有些任务适合一次问全。列举类问题（列出十个选题）天然是批量产出，拆开问毫无必要；格式转换（把这段话改成英文）输入输出一体，一问一答效率高；彼此独立的并列小问题（A 的价格、B 的产地）合并问省轮次。判断标准看两点：各问题之间有没有依赖关系，模型需不需要你的中途确认。独立且无需确认的，打包问；有依赖或需要方向确认的，拆开问。

用 Kimi 拆长任务的操作顺序

以 Kimi 这类工具为例，拆长任务可以按固定顺序操作：第一条消息先给任务全貌，让它输出一份执行计划；确认计划后，再按计划逐条提问，每次只处理一项；每完成一项，用自己的话复述结论让它确认，再进入下一项。这样处理方案、调研、报告之类的多步任务，每一步的产出都在你的控制之内。拆分时给每个子任务编号，追问时直接报编号，模型定位更快，对话也不容易乱。

粒度错了的两种修正

发现粒度不合适，有两种修正方式。问太全导致答得浅，就从已得的回答里挑一个方向，说「只针对这一条展开，其余忽略」；问太细显得琐碎，就把已确认的几个结论汇总，让它在此基础上处理下一层。修正时明确告诉它哪些结论保留、哪些作废，避免它把被你否定过的内容又揉回来。粒度的调整本质上是在帮模型划清本轮的工作范围，指令越明确，调整越快见效。

延伸阅读：大任务怎么拆着问、单轮长问和多轮短问、分步思考为什么更准。

粒度跑偏的修正顺序

• 答案有漏项时，先查粒度再追问
• 答得太浅，挑一条要求单独展开
• 问得太碎，先汇总已确认的结论
• 修正时说明哪些结论保留、哪些作废

第一条最常被跳过：漏项往往被当成模型疏忽，其实是问题一次塞得太多。

一次问一个好还是一次问全好？

• 混合任务怎么拆才不碎？：按「产出物」拆而不是按「问题」拆，一次对话瞄准一个可交付的产出，比如一份提纲、一段文案，产出内部的小问题可以一起问。
• 分步问会不会把对话拖得很长？：轮次会多，但每轮都更准，总耗时通常低于反复纠正一次性大提问，重要任务尤其如此。
• 一次问全是不是完全不能用？：不是。头脑风暴、快速摸底这类探索性场景，一次问全反而能快速铺开选项，先广后深，再换粒度细问。