# 先定边界，再算成本，最后动笔：一件活儿怎么拆给 AI

用一份报价提案走一遍：四堆活儿怎么分、为什么顺序决定结果，以及为什么分步不等于分轮次

> 使用技巧 · 工作流 · 多轮对话 · 约 6 分钟 · 10 月 29 日

## 本篇要点

1. 一件活儿拆成四堆：要拍板的、要算的、要查的、要写的；只有“写”是模型的主场，前两类它帮得上忙但不能替代。
2. 正确顺序是先定边界（报价下限、交付承诺），再算，再查，最后写，因为越靠后的工作改一次越贵，而错在前面的内容会一直往下传且看不出来。
3. 算的结果常常反过来修正边界；这种回头发生在动笔之前，代价只是改两个数字。
4. 研究显示前提材料按解题的真实顺序摆放，比打乱顺序在推理任务上准确率高 30% 以上，混入无关材料会放大差距。
5. 把要求拆成几块、逐轮透露给模型，平均表现比一次性说清掉 39%（约 90% 降到 65%），只拆两轮就已开始掉；换成另一种说法一次给全则只掉约 5%，说明损失来自来回拉扯而非信息缺失。
6. 所以步骤拆在自己这边，每次对话给全一份材料包，不要从算成本一路聊到写提案。
7. 验收看三处：数字自己按一遍、承诺有没有超出边界、查来的事实有没有标出处。

---

前面几篇讲的大多是“它是什么”：为什么会编、为什么答案时好时坏、联网和读文件为什么不是它自己的本事。剩下的问题是：手上真有一件三天内要交的活儿，从哪儿下手。

下面这个例子是编的，但数字能对上。你可以先自己想一想会怎么开头，再往下看。

## 先看这件活儿

你在一家十几个人的活动搭建工作室做商务。老板要你三天内给一家连锁咖啡品牌出一份门店开业活动的合作提案，含报价。

手上的材料：过去三个同类项目，A 合同 12.0 万、成本 8.4 万；B 合同 15.0 万、成本 10.2 万；C 合同 9.0 万、成本 7.1 万。这单规模估在 A 和 C 之间，外采材料约 6.2 万，工时约 260 小时，内部人工按 180 元/小时计。客户在电话里说过“预算大概 13 万以内”。排产表上，这单最多排得下 2 场，客户想要 3 场。

大多数人在这里的第一个动作是：打开对话框，写“帮我写一份咖啡门店开业活动提案，预算 13 万左右”。这就是接下来要说明的那个错误起点。

## 第一步：把活儿拆成四堆

一件事看着是一件事，拆开其实混着四种性质不同的工作，判据是它靠什么完成。

**要拍板的。** 报价报多少、承诺几周、答应几场。答案不在任何资料里，取决于公司有多少余量、你愿意担多大风险。只有你能定。

**要算的。** 成本、毛利、能压到多少。靠算术，有唯一正确答案。

**要查的。** 客户的公开信息、同类活动的行情。靠外部资料，而且可能查不到。

**要写的。** 提案正文、邮件。靠文字组织。

**四堆里只有“写”是模型的主场。** 前两堆它帮得上忙但不能替代：可以让它列算式、检查思路，数字要自己按一遍；可以让它上网查，但联网是产品替它接的线，不是模型自己会，查到什么都要看来源（[它其实不会上网](https://pangzhengboyin.com/articles/llm-vs-tools-web-search-26773830)）。第一堆完全不该推给它——它不知道你们上个项目拖了几天，也不知道老板的底线。

## 第二步：排顺序，为什么不能从写开始

正确顺序：**定边界 → 算 → 查 → 写。**

**先定边界。** 老板给的规则是：毛利率（毛利额 ÷ 合同额）不低于 18%，最多承诺 2 场。这两条写在纸上，不进对话框。

**再算。** 算不是为了得出一个数字，而是检验边界能不能同时成立。

$$\text{成本} = 6.2 + 260 \times 0.018 = 10.88\ \text{万}$$

按 13 万报，毛利只有 2.12 万，$2.12 \div 13 = 16.3\%$，没过线。那 18% 需要报多少？$10.88 \div 0.82 \approx 13.27$ 万，已经超过客户说的 13 万上限。

到这里顺序出现一次回头：**算的结果反过来改了边界。** 要既报 12.8 万又保住 18%，成本必须压到 $12.8 \times 0.82 = 10.496$ 万，比现在少 3840 元，也就是人工少 21 小时左右（$3840 \div 180$）。于是边界变成：报 12.8 万，工时压到 240 小时以内（省下的时间靠复用上次的物料清单和设计稿），只做 2 场，第 3 场放到下一阶段。

这次回头不是顺序错了，恰恰是顺序对了的证据：**这处改动发生在动笔之前，代价是改两个数字；发生在动笔之后，代价是整篇重写。**

**再查。** 查这家品牌的公开开店节奏，以及同类活动的行情价。查来的结果落在自己的一页笔记里，标清哪些有链接、哪些只是推测。

**最后写。** 把前面几步的结果压成一份材料，一次性交出去。

反过来走会怎样？先让它写，它会给你一份很漂亮的提案：4 周交付、报价 13.5 万、附赠两年免费维护、3 场全包。四处同时越界——毛利算下来不到 9%，排产排不出来，赠送条款的成本根本没进过账。而这份稿子读起来毫无破绽，你不会觉得哪里不对，只会在发给客户之后才知道。

这里有两个原因。

**越靠后的活儿，改一次越贵。** 改一个报价是改一个数字，改一份已经写好的提案是重写。

**错在前面的东西会一直往下传，而且传下去之后看不出来。** 一个错的价格进了正文，后面每句都建立在它上面，整篇依然通顺。有一项研究发现，光是把同样的前提换一种顺序摆出来、任务本身完全不变，模型在推理题上的准确率就能掉 30% 以上，混进无关材料时掉得更多；结论是：材料顺序越接近解题的真实顺序，表现越好[2]。所以“给它一堆材料让它自己理”不是省事，是把排序这件事押在了它身上。

## 第三步：分步，不等于分轮次

到这里容易滑向一个流行建议：把任务拆成小步，一步步问它。这个说法要改一个字——**步骤拆在你自己这边，交给它的时候一次给全。**

原因是实测过的。一项覆盖多个主流模型的研究，把同一批任务用两种方式做：一次性把要求说清，以及拆成几块逐轮透露。后者平均掉了 39%，从约 90% 降到 65%，只拆成两轮就已经开始掉[1]。

掉在哪里更关键：模型多轮里会过早给出成品，然后过度依赖自己前面那版答案；某一轮猜错一个细节，后面很难纠回来。还有一项对照能说明性质——同样几块要求换个说法、一次全给，表现是完整版的 95% 左右。也就是说，**掉的这 39% 不是信息丢了，是来回拉扯本身造成的。**

所以实际做法是：一件活儿拆成几个步骤，每个步骤单独开一次对话（至少新起一段），每次把这次要用的东西给全——任务、约束、材料、要什么格式。写完一段就停，别在同一段对话里从“帮我算成本”一路聊到“顺便把提案写了”。

## 第四步：验收看哪三处

1. **数字自己按一遍。** 提案里每个金额、每个比例，回到第二步的算式对一次。
2. **承诺有没有超出边界。** 场次、周期、赠送条款，有一条越界就是它替你做决定了。
3. **查来的事实有没有标出处。** 没有出处的要么删掉，要么改成“据我们了解”。完整的核验顺序见[哪句话能直接用，哪句话必须自己查](https://pangzhengboyin.com/articles/how-to-verify-ai-answers-and-citations-da205527)。

## 两种变化

**活儿里没有“算”这一环**（比如写一份内部通知）：顺序仍是先定约束（多长、给谁看、哪些话不能说），再查，最后写。省掉的是计算，不是定边界。

**材料涉密**：客户的具体信息要先过一遍，改写方式见[粘贴之前先停一下](https://pangzhengboyin.com/articles/what-to-paste-into-ai-chat-privacy-c540deed)。改写会削弱细节，答案会变得更泛，动手前要想清楚这一份需要多具体。

## 记住这个顺序

定边界 → 算 → 查 → 写；步骤拆在自己这边，交给它时一次给全；最后按数字、承诺、出处三条验收。

一句口诀：**凡是改一次就要重写全篇的决定，都排在动笔之前。**

## 思维导图

```mermaid
flowchart LR
  A["一件要交的活儿"] --> B["拆成四堆"]
  B --> B1["要拍板的：报价底线、交付承诺"]
  B --> B2["要算的：成本、毛利"]
  B --> B3["要查的：客户信息、行情"]
  B --> B4["要写的：提案、邮件"]
  B1 --> C["定边界"]
  C --> D["算：检验边界能否同时成立"]
  D -->|"算不通"| C
  D --> E["查：落地成带出处的笔记"]
  E --> F["写：一次给全一份材料包"]
  F --> G["验收：数字、承诺、出处"]
  G --> H["原则：改一次要重写全篇的决定排在动笔前"]
```

## 术语表

- 拍板项：只能由人决定的环节，比如报价底线和交付承诺，任何资料都给不出答案。
- 材料包：为某一步准备的完整输入，含任务、约束、材料和要的格式，一次给全，而不是逐句补。
- 多轮损耗：把同一批要求分多轮慢慢透露，模型会过早给成品并死抱前面猜错的版本，整体准确率明显低于一次说清。
- 返工成本递增：同一处错误，动笔前发现只改一个数，成品里发现要重写全篇；所以影响面最大的决定排最前。

## 来源

1. [LLMs Get Lost In Multi-Turn Conversation — 多轮透露要求平均掉 39%，以及单轮与多轮的对照实验](https://arxiv.org/abs/2505.06120)
2. [Premise Order Matters in Reasoning with Large Language Models — 前提顺序打乱可致推理准确率下降 30% 以上](https://arxiv.org/abs/2402.08939)

---

原文：https://pangzhengboyin.com/articles/split-a-task-before-asking-ai-c078efaa

> **庞征博引** · 想学的，慢慢都会
>
> 庞征博引是把想学的东西写成连载的 AI 学习工具：每篇 5–10 分钟，边读边问，接下来学什么跟着你走。这篇就是这样写出来的。
>
> 开始你自己的连载 → https://pangzhengboyin.com