核心 GUIDE
Prompt Decomposition
当一个复杂 Prompt 同时混合不同 Responsibility、Evidence Need 或 Verification Method 时，应拆成明确的 Reasoning / Production Stage。
核心心智模型
Prompt Decomposition 是 Interaction Layer 的 Responsibility Separation：每个 Stage 接收清晰 Input，产出 Bounded Artifact，再把 Artifact 交给下一阶段，而不是让一次 Generation 同时 Research、Decide、Create 与 Verify。
为什么重要
Large Prompt 常把多个不同任务藏在一句 Instruction 里。Model 可能跳过 Research、把 Assumption 混成 Conclusion，或者在润色 Style 时改坏 Fact。Decomposition 让 Intermediate Artifact 可检查，也让 Deterministic Tool 或 Independent Verification 在正确 Stage 接入；某一 Stage 失败时还能单独 Retry，而不是全部重做。
01
按 Artifact 与 Verification Method 拆分
先识别不同 Responsibility，例如 Clarify Question、Gather Evidence、Extract Claim、Plan、Draft、Verify。每个 Stage 只获得完成该 Responsibility 所需 Context，并定义 Output Contract。能够直接验证的 Artifact 就接入 Tool / External Check。不要为了“看起来像 Workflow”而拆分没有不同 Responsibility 或 Verification Boundary 的步骤。
02
例子：Research Brief 拆成三个 Stage
不要只写“research this market and write a recommendation”。Workflow 先把问题拆成 Evidence Need，再收集 Source 并记录到 Claim–Evidence Matrix，最后只基于 Matrix 做 Recommendation Synthesis。Source 之间的 Disagreement 可以在 persuasive prose 掩盖它之前先被 Review。
常见失败模式
- 把简单任务拆成很多 Prompt，只增加 Latency，却没有更清晰 Responsibility。
- 每个 Stage 都传完整不断增长的 Transcript，而不是 Bounded Artifact。
- 允许后续 Drafting Stage 静默修改前面已经建立的 Fact。
工程启发
- 当 Stage 需要不同 Evidence 或 Verification 时再拆分。
- Intermediate Output 使用 Evidence Matrix、Plan、Draft 等明确 Artifact 名称，而不是模糊的“thoughts”。
- Handoff 保持足够小，使下一 Stage 可以独立 Inspect。
关键结论
- 01Decomposition 让 Complex Generation 变得 Observable。
- 02Intermediate Artifact 创建天然 Verification Boundary。
- 03只有当更多 Stage 能定位 Responsibility / Failure 时，它们才有价值。
用于这些学习路径
这个 Concept 会在多个 canonical 学习路径中复用。
来自 Knowledge Graph 的相关知识点
这些关系直接来自 canonical graph，不维护第二套 Guide 分类体系。