Least-to-Most 是什么
把复杂问题拆成由简到繁的子问题序列，逐个求解，后面的子问题可以引用前面已经得到的答案，最后汇总成结论。它的重点不在「分步推理」这个形式，而在把分解过程显式化并保留人工确认点：先只让模型输出子问题清单而不解答，确认分解合理后再逐个求解，避免模型沿着错误路径一路推到底，最后给出一个自洽但错误的答案。
基本信息
| 三个步骤 | 先列子问题清单、再按序逐个解答、最后汇总输出 |
|---|---|
| 关键做法 | 分解与求解分批进行，中间留一次确认或审阅 |
| 适用题型 | 多跳问答、多约束规划、需求到方案的拆解 |
| 前置约束 | 子问题之间的依赖顺序必须明确，后者可引用前者答案 |
| 成本量级 | 多轮调用，轮次等于子问题数量加汇总轮 |
| 失败模式 | 分解粒度失当：太粗不能降低难度，太细则轮次失控 |
典型使用场景
- 多跳问答：答案需要串联多个事实，中间结果直接决定后续方向
- 多约束规划：预算、人力、时间窗口同时受限，先定约束再排方案
- 需求到方案的拆解：先澄清目标与边界，再逐项给出实现路径
- 数据分析问题：先确定统计口径与取数范围，再计算指标
- 复杂任务的提示词迭代：把大提示词拆成分层子任务，便于单点调优
两阶段模板
两阶段模板
# 第一阶段：只分解，不解答
请把下面的问题分解成从简单到复杂的子问题：
1) 先只输出子问题清单，按建议的求解顺序排列；
2) 每条注明它依赖前面哪几条的结论；
3) 不要在这一步给出任何解答。
原问题：为一个 5 人团队设计一套每周知识分享机制，预算每月 500 元。
# 第二阶段：按清单逐个求解，允许引用前序答案
# 提示：清单需要人工确认一次，确认后再进入第二阶段，可省下大量返工阶段与检查点
| 阶段 | 产出 | 检查点 |
|---|---|---|
| 分解 | 有序子问题清单 | 依赖关系是否成立、顺序是否合理 |
| 求解 | 逐个子问题答案 | 每个答案是否基于前序结论而非另起炉灶 |
| 汇总 | 最终结论 | 是否覆盖原始问题的全部约束 |
| 回溯 | 定位出错节点 | 汇总不对时先看哪一步结论最先偏离 |
分解与求解之间加一次人工确认，是这套方法相对链式推理最大的工程价值：错误的分解一旦进入求解阶段，后面每一轮都会在这个错误基础上继续推导。
子问题数量控制在 3 到 7 条比较实用：太少降不下难度，太多则轮次与成本上升，而且中间任何一步出错都会污染后续所有结论。