TL;DR
Когда AI решает сложную многошаговую задачу, главный фактор качества — насколько хорошо задача разбита на под-вопросы, а не насколько точно AI отвечает на каждый под-вопрос. Исследователи проверили это на агентных системах с разными весовыми коэффициентами, но вывод применим к любому сложному запросу в чате.
У LLM есть скрытая асимметрия: улучшение декомпозиции даёт +11 пунктов точности, а улучшение исполнения — лишь +2.6. Это значит: если вы сделали плохую разбивку задачи на части, никакое тщательное исполнение уже не спасёт результат. Ошиблись в плане — финал окажется слабым независимо от того, как хорошо AI работал с каждым куском.
Метод — разделить роли: один «агент» (или один тщательно составленный промпт) занимается только декомпозицией, второй — только исполнением отдельных шагов, третий — только сборкой финального ответа. При этом именно в первый шаг нужно вложить максимум усилий — задать чёткие правила разбивки, критерии под-вопросов, логику делегирования.
Схема метода
ШАГ 1 (ДЕКОМПОЗИЦИЯ) — отдельный промпт, максимум усилий:
Входит: сложный вопрос
Выходит: список атомарных под-вопросов, каждый самодостаточен
ШАГ 2 (ИСПОЛНЕНИЕ) — отдельный промпт для каждого под-вопроса:
Входит: один под-вопрос + ограничение "только по источникам"
Выходит: краткий ответ с доказательствами
ШАГ 3 (СИНТЕЗ) — финальный промпт без доступа к рассуждениям шагов 1–2:
Входит: исходный вопрос + пары (под-вопрос → ответ)
Выходит: финальный ответ
Каждый шаг — отдельный запрос в чате.
Шаги 2 выполняются параллельно (или последовательно) для каждого под-вопроса.
Пример применения
Задача: Вадим открывает кофейню в Казани. Перед подписанием договора аренды хочет понять рынок: конкуренты, форматы, трафик, перспективы. Задал один большой вопрос — получил кашу. Теперь пробует по-другому.
Промпт (Шаг 1 — Декомпозиция):
Ты — аналитик рынка общепита. Твоя задача — ТОЛЬКО разбить вопрос на под-вопросы.
Не отвечай ни на один из них.
Вопрос: «Стоит ли открывать специализированную кофейню (фильтр-кофе, спешелти)
в центре Казани в 2025 году?»
Правила разбивки:
— Каждый под-вопрос атомарный: один факт, одна тема
— Под-вопрос можно проверить независимо от других
— Максимум 6 под-вопросов
— Каждый начинается с глагола (Сколько / Есть ли / Какой / Насколько)
Выдай пронумерованный список под-вопросов — и ничего больше.
Промпт (Шаг 2 — Исполнение, повторяется для каждого под-вопроса):
Ответь на один конкретный вопрос:
{под-вопрос из шага 1}
Правила:
— Только факты, цифры, конкретные примеры
— Если не знаешь точно — скажи об этом явно
— 3-5 предложений, не больше
— Никаких советов и выводов — только ответ на вопрос
Промпт (Шаг 3 — Синтез):
Исходный вопрос: «Стоит ли открывать специализированную кофейню
(фильтр-кофе, спешелти) в центре Казани в 2025 году?»
Собранные данные:
{под-вопрос 1} → {ответ 1}
{под-вопрос 2} → {ответ 2}
...
Дай обоснованный ответ: да / нет / с условиями.
Структура: главный вывод → ключевые аргументы → риски → что проверить дополнительно.
Результат:
Шаг 1 выдаст 5-6 чётко сформулированных под-вопросов — например, про количество конкурентов спешелти в радиусе 500м, средний чек, аудиторию Казани, аренду в центре, тренды на доставку. Каждый — самодостаточный, без отсылки к другим. Шаг 2 даст короткие, конкретные ответы по каждому. Шаг 3 соберёт это в структурированное решение с аргументами и рисками — без «водяного» обобщения.
Почему это работает
LLM в одном большом запросе делает всё сразу: планирует, ищет, синтезирует. При этом ошибка в разбивке задачи мгновенно распространяется на все последующие шаги — модель начинает отвечать не на тот вопрос, и никакая точность исполнения это не исправит.
Когда вы выделяете декомпозицию в отдельный шаг — вы вынуждаете модель генерировать только структуру. Нет соблазна «сразу ответить», нет смешения планирования с поиском. Качество разбивки резко растёт, потому что у модели один фокус.
Исполнение — более механическая работа. Модели справляются с ней даже при слабых инструкциях, если под-вопрос хорошо сформулирован. Основные рычаги управления:
- Ужесточить правила декомпозиции — добавить «каждый под-вопрос должен быть проверяем по одному источнику» → более точные поиски
- Ограничить контекст исполнителя — «не используй предыдущие ответы» → изолированные, не загрязнённые результаты
- Изменить критерий синтеза — вместо «вывод» попросить «матрицу за/против» → другой формат финального ответа
Шаблон промпта
Шаг 1 — Декомпозиция
Ты — {роль-специалист}. Твоя задача — ТОЛЬКО разбить вопрос на под-вопросы.
Не отвечай ни на один из них.
Вопрос: {сложный вопрос}
Правила разбивки:
— Каждый под-вопрос атомарный: одна тема, один факт
— Под-вопрос можно проверить независимо от других
— Максимум {число, рекомендуется 4-6} под-вопросов
— Каждый начинается с глагола ({примеры: Сколько / Есть ли / Какой})
Выдай пронумерованный список — и ничего больше.
Шаг 2 — Исполнение (для каждого под-вопроса)
Ответь на один конкретный вопрос:
{под-вопрос из шага 1}
Правила:
— Только факты и конкретные примеры
— Если не знаешь точно — скажи об этом явно
— {число} предложений максимум
— Никаких советов и выводов — только ответ на вопрос
Шаг 3 — Синтез
Исходный вопрос: {оригинальный вопрос}
Собранные данные:
{под-вопрос 1} → {ответ 1}
{под-вопрос 2} → {ответ 2}
...
Дай {тип ответа: решение / анализ / рекомендацию}.
Структура: {нужная структура финала}.
Плейсхолдеры:
- {роль-специалист} — кто разбивает задачу: аналитик, юрист, маркетолог
- {сложный вопрос} — исходный запрос, который «в лоб» даёт кашу
- {число} — сколько под-вопросов и строк допускается в каждом ответе
- {тип ответа} и {нужная структура финала} — формат, который нужен
🚀 Быстрый старт — вставь в чат:
Вот трёхшаговый шаблон для сложных исследовательских задач.
Адаптируй под мою задачу: {твоя задача}.
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит про тип задачи, желаемую роль и нужный формат финального ответа — потому что без этого нельзя правильно настроить правила декомпозиции. Она возьмёт структуру из шаблона и адаптирует под конкретный контекст.
Ограничения
⚠️ Простые задачи: Трёхшаговая структура избыточна для однозначных вопросов. Если задача решается одним поиском — декомпозиция только замедляет.
⚠️ Взаимозависимые под-вопросы: Если ответ на под-вопрос 2 зависит от ответа на под-вопрос 1, исполнение в изоляции даст неполные результаты. Метод лучше работает с параллельными, независимыми ветками.
⚠️ Субъективные задачи: Метод заточен под фактологические, проверяемые вопросы. Творческие или оценочные задачи разбиваются хуже — под-вопросы получаются расплывчатыми.
⚠️ Инфраструктурная часть недоступна: Компактный обученный исполнитель из исследования — это fine-tuned модель, недоступная в обычном чате. Принцип применим, конкретная модель — нет.
Ресурсы
Think Big, Search Small: Where Capacity Matters in Hierarchical Search Agents? — Qinnan Cai, Yibo Zhao, Xiang Li. School of Data Science and Engineering, East China Normal University. Preprint, under review.
GitHub: github.com/QinnanCai0115/role-factorized-search
Бенчмарки: 2WikiMultihopQA, HotpotQA, MuSiQue, PopQA, Bamboogle.