AI 的回答时对时错，很多时候问题出在任务没有拆开。让 AI 分步思考，指在提问时明确要求它按步骤推进：先列出思路，再逐段执行，最后汇总结论。这种写法相当于把一道大题切成若干小题，模型每一步只需解决一件事，出错的概率自然下降，检查起来也更容易定位问题出在哪一环。这一技巧不依赖任何高级功能，改写提问即可见效，是值得最先掌握的提问方法。
分步为什么能压低出错率
大模型一次生成回答时，本质上是在连续预测下一个词，任务越复杂，中间跳步的空间越大。要求分步，等于强迫模型把隐含的推理摊开在纸面上：每写一步，后面的生成都会以前面的步骤为依据，错误更容易在早期暴露，而不是藏到结论里才被发现。这也是深度思考类功能与提示词分步的共同原理，区别只在于前者由模型自动展开，后者由你在提问里主动规定节奏和顺序。两种方式可以叠加使用：模型自动展开之余，用提问再补一层结构要求，稳定性更好。
指令里怎么写出步骤要求
写法上有三个部件。第一是点明任务与顺序，例如「请按以下步骤回答：第一步归纳要点，第二步逐条评估，第三步给出建议」。第二是允许中间输出，明确说「先写出每一步的结果，再给最终结论」，否则模型可能把过程省略掉直接跳到答案。第三是给步骤留检查口，比如「每一步结束后用一句话说明依据」。把这三件套用上，输出结构会稳定很多，复核时也有据可查。第一次尝试时可以把步骤写粗一点，跑通后再细化，比一步到位写完美指令更容易成功。
| 步骤三件套 | 怎么写 | 缺了会怎样 |
|---|---|---|
| 点明任务与顺序 | 请按以下步骤回答：先归纳、再评估、后建议 | 步骤顺序由模型自己定 |
| 允许中间输出 | 先写出每一步的结果，再给最终结论 | 过程被省略，直接跳到答案 |
| 给步骤留检查口 | 每一步结束后用一句话说明依据 | 出错了找不到是哪一环 |
思考过程展示的价值与读法
许多工具支持展示推理过程，以 DeepSeek 的深度思考模式为例，可以看到模型展开的思考内容。读这些过程时，重点看三处：它对任务的理解是否与你一致、关键假设有没有凭空出现、结论是否真的从步骤里推出来。发现某一步理解偏了，直接指出来让它从那一步重做，比整个重新提问省时间，也能让模型更快对齐你的意图。
步骤卡住时的追问写法
分步回答常见的中途状况有两类。一类是某一步展开得太粗，可以用「把第二步展开，每点配一个例子」让它细化；另一类是步骤之间脱节，后文没有用上前文的结果，这时指出「第三步的结论要建立在第二步的评估之上，请重新衔接」。追问时引用步骤编号，模型定位会更快，修正后的整体结构也更完整。
适合拆步骤的任务清单
判断标准是任务的链条长度。多条件决策、方案评估、合同或政策的要点梳理、多步计算类问题，拆开后收益明显；而翻译、改写、简单事实问答这类一步到位的任务，强行分步只会拉长篇幅。不确定时可以先正常问一次，若发现答案遗漏了条件或跳过了推导，再改用带步骤的写法重问，两次对比几轮后，你自然知道手里哪类任务值得拆。
分步提问的三个卡点
- 步骤写太细，简单动作被注水拉长
- 模型自动分步，方向未必合你意
- 某步太粗，点名让它配例子展开
- 步骤脱节，要求后一步承接前一步
第一条最常见：三步能解决的事拆成八步，重点反而被稀释。
延伸阅读：一条长提示和分步短提示、思考模型的输出结构、粗答再精修的级联提示。
让 AI 分步思考时，步骤列得越多效果越好吗？
- 步骤数量应该怎么定？：跟任务复杂度匹配。三步能解决的事拆成八步，模型会把简单动作注水拉长，反而稀释重点，按自然环节拆三到五步通常足够。
- 模型自己会分步，还需要我在提问里写吗？：需要。模型自动分步的方向不一定符合你的意图，写在提问里相当于把步骤的定义权拿在手上，结果更可控。
- 分步回答太长，能只要最终结论吗？：可以，但要先让它完整跑一遍步骤，再补一句「只保留每步一行结论」，直接砍掉过程容易让结论失去依据。
