想讓模型完成複雜的任務，單一句指令可能無法得到想要的結果，與其一次把所有需求都丟給 AI，不如試著用拆解和串接的方式，來處理這些複雜的任務

我們將大任務切分成多個小步驟，讓 AI 一步步完成，再把這些步驟的結果串起來，組合成完整的輸出，這種方法的核心精神有兩個：

1. 分段式 Prompt (任務拆解)：把任務切成清晰、可管理的小單元，每個單元只負責一個核心任務，降低複雜度。
2. Prompt Chaining (指令層疊)：把多個小單元的結果串接起來，前一個步驟的輸出，成為下一個步驟的輸入，形成自動化的工作流。

為什麼需要拆解任務？

假如我們要 AI 寫一份市場研究報告。如果直接下指令：

請寫一份 3000 字的市場研究報告，涵蓋產業現況、競爭者分析、消費者洞察與未來趨勢，並附帶數據表格

這樣的要求很龐大也很複雜，AI 容易顧此失彼，如果把思維拆解可以分成以下五點：

1. 撰寫產業現況描述
2. 收集並整理競爭者資訊
3. 分析消費者行為
4. 彙整數據與未來趨勢
5. 最後再整合成完整報告

可以看到每一步相對簡單，成功率也更高，符合拆解任務的三個基本原則：

• 單一職責原則：每個 Prompt 只負責一個核心任務。例如，一個 Prompt 專注於分析，另一個專注於總結
• 漸進式複雜度：從簡單到複雜，逐步深入。先整理資料，再進行初步分析，然後深度解讀，最後才提出策略建議
• 清晰的輸入輸出：確保每個階段的輸出，都能清楚地成為下一階段的輸入，讓資訊得以順利傳遞

使用分段的提示詞拆解任務

我們的目標是把大任務切成一小塊一小塊，以此降低難度，也能讓 AI 專注在特定的目標上，比較不會跑偏

撰寫一篇長文章

假設要寫一篇長文，我們可以分成以下步驟：

1. 產生大綱
2. 擴寫第一部分
3. 擴寫第二部分
4. 擴寫第 ... 部分
5. 整合全文

我們來用 Gemini 2.5 Flash 實際跑跑看：

請為「原生家庭對小孩的影響」生成一個文章大綱，需分成三大部分，每部分再細分成 2–3 個小節。

再來是擴寫的提示詞，後續的擴寫也是同樣方式處理：

根據以下大綱的第一部分，撰寫完整內容，約 600 字：
[貼上大綱的第一部分]

分別產生完整內容後，再將全文進行整合優化：

請將以下三個部分合併，並優化銜接語句，生成一篇完整文章。

分段設計的技巧

關於分段設計的切割點，也許可以依照時間維度 (例：過去、現在、未來)，抽象層級 (例：概念、原理、應用) 或流程順序 (輸入、處理、輸出) 來切分。

也推薦另外一個技巧，類似 AI Agent，可以在不同階段給 AI 不同的角色，如此能讓回應更加專業：

• 第一階段：以資料分析師身份進行資料整理
• 第二階段：以市場專家身份進行趨勢分析
• 第三階段：以策略顧問身份提供建議

Prompt Chaining 串接多個步驟的工作流

如果分段式的提示詞解決了單一步驟的品質不一問題，那麼接下來要介紹的 Prompt Chaining (指令層疊) 就是把這些小塊串接起來，形成結構化的流程。他的概念很簡單，就是把第一個 Prompt 的輸出結果，作為第二個 Prompt 的輸入，不斷往下串接，形成一條鏈 (Chain)，這樣就能設計出 AI 自己的工作流，讓 AI 從一次性回答變成我們任務流程的一部分。

建立客服的 QA 系統

假設要建立客服 QA 系統，流程可能會這樣設計：

Step 1. 提取問題關鍵字

用一句話摘要以下使用者提問的重點：
「我昨天買的藍牙耳機連不上手機，請問要怎麼解決？」

AI 輸出：藍牙耳機無法連線

Step 2. 比對知識庫

根據以下關鍵字，查找知識庫中最相關的三個項目：
關鍵字：[Step 1 的輸出：藍牙耳機無法連線]

AI 輸出：項目 A、項目 B、項目 C ...

Step 3. 生成回覆

請根據這三個知識庫條目：[Step 2 的輸出]
撰寫一個語氣友善專業，長度不超過 150 字的專業客服回應。

AI 輸出：完整的客服回覆

規劃開發流程

還沒正式開發前，可以用 Prompt Chaining 串接流程，一層一層的進行規劃：

Step 1. 需求分析

我需要開發一個待辦事項管理系統，請分析核心功能模組和技術架構建議
[貼上詳細需求]

AI 輸出：功能模組與架構建議

Step 2. 資料結構設計

基於以下需求分析：[Step 1 的輸出]
請設計資料庫架構，包含資料表、欄位定義與關聯性

AI 輸出：資料庫 Schema

Step 3. API 設計

根據以下資料結構：[Step 2 的輸出]
請設計相關的 RESTful API 端點、HTTP 方法與請求回應格式

AI 輸出：API 文件

使用 Prompt Chaining 雖然有點麻煩，因為要把上一次的輸出當作這一次的輸入，但這樣可以讓每個步驟專注於一個任務點，減少提示詞的複雜程度，而且最大的好處就是可控性，因為我們可以在任何階段介入調整，假設步驟 2 輸出的效果不好，我們就只需要重跑步驟 2 的輸出，不用從頭來過。

小結

我們使用分段提示詞把大的任務切成一小塊一小塊，以此降難度，再用 Prompt Chaining 串接這些小塊，形成結構化的流程，這些條件也都是為了把 AI 從單一問答是變成一個 AI Agent。