TL;DR
Decomposition Prompting — стратегия промптинга, которая разбивает сложную задачу на явные подзадачи: понимание, анализ, локализация проблемы, выработка решения. Вместо общего запроса "проанализируй это" модель получает структурированный план: сначала разберись в ситуации, затем выдели ключевые элементы, потом найди проблему, наконец объясни причину и предложи решение.
LLM хорошо следуют инструкциям, но плохо самостоятельно структурируют процесс решения сложных задач. При общем запросе модель может пропустить важные шаги или смешать анализ с выводами. Особенно это критично для задач, где порядок имеет значение — сначала нужно понять контекст, потом искать проблему, а не наоборот. Исследование показало: даже GPT-4 в 17% случаев ошибается на сложных задачах без явной структуры.
Decomposition даёт модели явный алгоритм: "Шаг 1 — пойми контекст, Шаг 2 — найди аномалии, Шаг 3 — объясни причину, Шаг 4 — предложи решение". Это имитирует подход эксперта, который не прыгает к выводам, а методично проходит каждый этап. Похожий эффект даёт Plan-and-Solve (сначала план, потом выполнение), который показал лучшие результаты с GPT-4.
Схема метода
Decomposition (4 шага в одном промпте):
ШАГ 1: Пойми контекст → краткое описание ситуации
ШАГ 2: Выдели ключевые элементы → список важных факторов
ШАГ 3: Найди проблему/аномалию → конкретная локализация
ШАГ 4: Объясни причину и дай рекомендацию → итоговый выводPlan-and-Solve (2 фазы в одном промпте):
ФАЗА 1: Составь план решения → список шагов
ФАЗА 2: Выполни план пошагово → результат каждого шагаОба метода выполняются в одном запросе — LLM сама проходит все шаги последовательно.
Пример применения
Задача: Ты запускаешь таргет на недвижимость в Москве. Объявления показываются, клики есть, но заявок ноль. Нужно найти проблему в воронке.
Промпт (Decomposition):
Ты — маркетолог-аналитик. Разбери ситуацию пошагово:
СИТУАЦИЯ:
Таргет ВКонтакте на аренду квартир в Москве.
- Показы: 50 000
- CTR: 2.5% (1250 кликов)
- Заявки: 0
- Бюджет: 30 000 ₽
- Креатив: фото квартиры + текст "Сдаём 1к в центре, 50к/мес"
- Лендинг: форма с полями "Имя, Телефон, Email, Когда заселение"
ШАГ 1: Пойми контекст
Опиши нормальные показатели для такой воронки в недвижимости.
ШАГ 2: Выдели аномалии
Что выбивается из нормы? Где разрыв?
ШАГ 3: Локализуй проблему
Где конкретно теряются люди: в креативе, на переходе, на лендинге, в форме?
ШАГ 4: Объясни причину и дай рекомендацию
Почему это происходит и что исправить в первую очередь?Результат: Модель пройдёт каждый шаг явно:
- Опишет нормальный conversion rate для недвижимости (обычно 5-10% от кликов)
- Выделит аномалию — 1250 кликов, 0 заявок (должно быть 60-125)
- Локализует проблему — скорее всего форма или несоответствие ожиданий
- Даст конкретные гипотезы: слишком много полей в форме, цена не та что в объявлении, нет доверия (отзывов, фото), долгая загрузка страницы
Вместо общего "проверь лендинг" получаешь структурированный разбор с конкретными точками разрыва.
Почему это работает
Слабость LLM: Модели склонны прыгать к выводам без промежуточных шагов. На сложных задачах это ведёт к пропуску важных деталей или поверхностному анализу. Особенно на задачах, где нужен последовательный анализ — сначала контекст, потом детали, потом вывод.
Сильная сторона LLM: Модели отлично следуют явным инструкциям и структурированным алгоритмам. Если дать чёткий план "Шаг 1 → Шаг 2 → Шаг 3", модель выполнит каждый шаг последовательно.
Как работает метод: Decomposition превращает расплывчатое "проанализируй" в алгоритм эксперта. Вместо одного размытого вопроса модель получает пошаговый чеклист, который имитирует как работает профессионал: сначала контекст, потом детали, потом проблема, потом решение. Это убирает неопределённость и заставляет модель быть методичной.
Рычаги управления:
- Количество шагов — для простых задач можно 2-3 шага, для сложных до 5-6. Больше шагов = больше токенов, но точнее разбор
- Названия шагов — конкретные формулировки работают лучше размытых ("Найди аномалию" > "Проанализируй ситуацию")
- Формат вывода — можно добавить "В каждом шаге используй bullet points" или "Шаг 1 — максимум 3 предложения"
- Последовательность — порядок шагов критичен. "Сначала контекст, потом детали" работает, наоборот — нет
Шаблон промпта
Decomposition:
Ты — {роль эксперта}. Разбери ситуацию пошагово:
СИТУАЦИЯ:
{описание проблемы/задачи}
ШАГ 1: Пойми контекст
{что нужно понять о ситуации}
ШАГ 2: Выдели ключевые элементы
{что важно для анализа}
ШАГ 3: Найди проблему/паттерн
{что ищем}
ШАГ 4: Объясни причину и дай решение
{какой результат нужен}Plan-and-Solve:
Ты — {роль эксперта}. Реши задачу в два этапа:
ЗАДАЧА:
{описание задачи}
ФАЗА 1: Составь план
Распиши пошаговый план решения задачи. Каждый шаг должен быть конкретным действием.
ФАЗА 2: Выполни план
Пройди каждый шаг из плана и дай результат.Как использовать:
{роль эксперта}— маркетолог, аналитик, юрист, врач, инженер{описание проблемы}— конкретная ситуация с деталями{что нужно понять}— контекст, нормы, стандарты для этой области{что важно}— факторы, переменные, данные{что ищем}— проблему, аномалию, паттерн, возможность{какой результат}— вывод, рекомендация, решение
🚀 Быстрый старт — вставь в чат:
Вот шаблон Decomposition Prompting. Адаптируй под мою задачу: [твоя задача].
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]LLM спросит про контекст твоей задачи, какие шаги нужны конкретно для неё, какой формат вывода удобен. Она возьмёт паттерн декомпозиции и адаптирует под конкретную ситуацию.
Ограничения
⚠️ Избыточность для простых задач: Если задача решается в одно действие, декомпозиция добавляет лишние шаги и токены. "Переведи слово" не нужно разбивать на 4 шага.
⚠️ Требует чёткой формулировки шагов: Размытые шаги ("Проанализируй всё") сводят метод к обычному промпту. Нужны конкретные формулировки каждого этапа.
⚠️ Не для креатива: Метод подходит для аналитических задач, где есть логическая последовательность. Для креативного письма или брейншторма излишняя структура может ограничить модель.
Как исследовали
Исследователи из Пакистана создали фреймворк Real-VulLLM для оценки LLM на задаче обнаружения уязвимостей в коде. Взяли 15 реальных уязвимостей (CVE) из топ-25 MITRE — самых критичных багов в софте (переполнение буфера, use-after-free и т.д.). Каждая уязвимость представлена двумя версиями кода: уязвимая и исправленная.
Протестировали 5 моделей: GPT-4, Gemini-1.5-Flash, Qwen2.5-Coder, LLaMA-3, Phi-4. Для каждой уязвимости прогнали 4 типа промптов: Standard (базовый), Chain-of-Thought (CoT), Decomposition, Plan-and-Solve. Оценивали в двух режимах: Zero-Shot (без примеров) и Few-Shot (с контекстом из векторной базы CVE).
Что удивило: Decomposition показал самые стабильные результаты — ни одна модель не провалилась сильно с этим промптом, в отличие от остальных. Plan-and-Solve дал лучший результат с GPT-4 — модель с сильными reasoning-способностями выжала максимум из пошагового планирования.
Но общая картина — LLM пока не готовы для автономного поиска уязвимостей. Даже GPT-4 ошибается в 17% случаев на реальных багах, а открытые модели типа LLaMA-3 — в 40-60%. Добавление контекста (Few-Shot с примерами CVE) улучшило результаты на 4-13% у всех моделей, но этого недостаточно для продакшена.
Главный инсайт для практики: структурированные промпты критичны для сложных задач. Decomposition работает потому что заставляет модель думать пошагово, а не прыгать к выводу. Это универсальный принцип — не только для кода, но для любого анализа.
Адаптации и экстраполяции
💡 Адаптация для бизнес-решений
Задача: Оценить идею нового продукта
Промпт:
Ты — product-аналитик. Оцени бизнес-идею пошагово:
ИДЕЯ:
Мобильное приложение для поиска попутчиков на дальние поездки между городами России.
Аналог BlaBlaCar, но с фокусом на безопасность (верификация через Госуслуги) и комфорт
(рейтинги, предпочтения по музыке/разговорам).
ШАГ 1: Определи рынок и целевую аудиторию
Кто будет пользоваться? Какой размер рынка?
ШАГ 2: Выдели конкурентные преимущества и риски
Что отличает от существующих решений? Какие барьеры?
ШАГ 3: Оцени юнит-экономику
Откуда деньги? Какая модель монетизации?
ШАГ 4: Дай вывод и следующие шаги
Стоит ли развивать? Что сделать в первую очередь для проверки гипотезы?🔧 Техника: Добавление критериев на каждом шаге
Что меняем: Добавляем явные критерии оценки на каждом шаге
Эффект: Модель оценивает по конкретным метрикам, а не абстрактно
Пример изменённого фрагмента:
ШАГ 2: Выдели конкурентные преимущества и риски
Оцени по критериям:
- Уникальность решения (1-10)
- Барьеры входа для конкурентов (1-10)
- Критичные риски (список топ-3)💡 Экстраполяция: Декомпозиция + Ретроспектива
Комбинация: Decomposition для анализа прошлого решения
Промпт:
Ты — аналитик решений. Разбери почему решение сработало/не сработало:
РЕШЕНИЕ:
{описание прошлого решения и его результата}
ШАГ 1: Восстанови контекст
Какая была ситуация? Что знали тогда, чего не знали?
ШАГ 2: Выдели ключевые факторы
Что повлияло на результат? (Внутренние и внешние)
ШАГ 3: Найди точки развилки
В какой момент решение пошло так, а не иначе? Что было альтернативой?
ШАГ 4: Извлеки уроки
Что работает, что нет? Какой принцип применить к будущим решениям?Ресурсы
Real-VulLLM: An LLM Based Assessment Framework in the Wild
Rijha Safdar, Danyail Mateen, Syed Taha Ali, Wajahat Hussain
School of Electrical Engineering and Computer Science, National University of Sciences and Technology, Islamabad, Pakistan