DECOMP

prompt提示词2026年6月7日5

Decomposed Prompting（DECOMP，Khot et al., 2022）的核心是：用 Few-shot 示例把“可用的函数/工具”教给模型，然后让模型在解决一个大问题时，主动把任务拆成若干子问题，并把子问题分别“派发”给这些函数（很多实现里确实是多次 LLM 调用或“LLM + 外部工具”流水线）。在一些任务上，它比 Least-to-Most（先易后难逐步扩展）更好，因为它把“拆解+调用专用能力”做得更明确、更可控。

下面用初学者视角讲清楚：它是什么、怎么写提示词、以及一个中文例子。

1) DECOMP 是什么：把“拆解”变成“调用函数的工作流”

你可以把 DECOMP 理解为一种 函数式/工具式推理：

你先给模型一个“工具箱”：例如
- 字符串切分()：把文本按规则拆开
- 检索()：去查资料（工程上可是真搜索 API / RAG 检索）
- 计算器()：做精确运算
- 表格解析()：从表格提取字段
然后给模型 few-shot 示例，演示：
“遇到某类子问题时，就调用某个函数，并把函数返回结果再用于后续步骤”

最终模型会输出类似：

把原问题拆成子任务 A/B/C
对每个子任务选择合适函数
汇总各函数结果得到最终答案

2) 和 Plan-and-Solve / Least-to-Most 的区别

Plan-and-Solve：拆解主要是“写计划 + 按步骤推理”，通常还是在一次回答里完成（不一定调用外部函数）。
Least-to-Most：会先解简单子问题，再用答案去解决更难的子问题；但不强调“工具/函数调用”。
DECOMP：重点是**“把子问题交给不同函数/模块处理”**，更像工程中的“编排器（orchestrator）”。

3) DECOMP 的 Prompt 一般怎么写（模板）

关键点有三块：定义函数 → few-shot 演示怎么用 → 让模型按格式分解并调用。

模板：定义函数 + 规定输出（中文）

你可以使用以下函数来解决问题。请在需要时调用它们：
1) split(text, sep): 按分隔符 sep 切分字符串，返回列表
2) search(query): 检索并返回与 query 最相关的3条结果（标题+摘要+链接）
3) calc(expression): 计算表达式并返回数值
4) extract(table_text, fields): 从表格文本中抽取指定字段

规则：
- 先将任务分解为若干子问题。
- 每个子问题选择最合适的函数调用。
- 函数调用请严格用以下格式输出：CALL[函数名](参数...)
- 当获得函数返回结果后，再继续下一步。
- 最终给出简洁的结论。

下面是示例（Few-shot）：
【示例略...】

现在请解决：
{用户问题}

工程上：你真的可以让系统看到 CALL[...] 就去执行工具，然后把工具返回结果再喂回模型，形成多轮“分解-执行-汇总”。

4) 实际例子（中文，演示 DECOMP 的“函数化拆解”）

我们用一个很典型、适合拆分的任务：把一段日志里提取字段并计算。

任务

“下面是订单日志，每行：订单号|用户|金额。请统计每个用户的总金额，并找出消费最高的用户。”

日志：

A01|张三|19.9
A02|李四|120
A03|张三|80
A04|王五|35.5
A05|李四|20

用 DECOMP 风格的提示词（你给模型）

你可以使用函数：
- split(text, sep): 切分字符串
- calc(expression): 计算表达式

请将问题分解成子问题并调用函数完成：
1) 先按行切分日志
2) 再按“|”切分每行，得到用户与金额
3) 汇总每个用户金额
4) 找出最高者并输出

函数调用格式：CALL[函数名](...)
在拿到函数结果后再进行下一步。

日志如下：
A01|张三|19.9
A02|李四|120
A03|张三|80
A04|王五|35.5
A05|李四|20

典型的 DECOMP 执行过程（示意）

子问题1：按行拆分
CALL[split]("A01|张三|19.9\nA02|李四|120\n...", "\n")
→ 返回行列表
子问题2：逐行再按 | 拆分
CALL[split]("A01|张三|19.9", "|") → 得到字段
子问题3：金额相加可用 calc（可选）
CALL[calc]("19.9+80") → 99.9
CALL[calc]("120+20") → 140
子问题4：比较并输出
结论：李四 140 最高

这就是“模型做编排，函数做专用子任务”的典型 DECOMP 思路。

5) 另一个更贴近论文描述的例子：带“搜索”的分解（概念演示）

比如用户问：“请比较 A 公司和 B 公司 2024 年财报的营收，并给出结论。”

DECOMP 会倾向于：

子问题A：搜索 A 公司 2024 营收（search）
子问题B：搜索 B 公司 2024 营收（search）
子问题C：统一口径（是否为全年/季度、币种）（可能再 search 或规则处理）
汇总对比输出

工程上这比“让模型凭印象编”可靠很多。

6) 为什么它可能比 Least-to-Most 更好

在一些任务中，难点不是“从易到难推理”，而是：

需要不同类型的能力（检索/解析/计算/抽取）
需要可复用模块（把复杂任务拆成稳定子函数）
需要可控与可审计（每一步做了什么更清晰）

DECOMP 把“能力边界”明确化：模型不必在一个大段推理里硬扛全部困难，而是把子任务交给更合适的模块。

如果你告诉我你现在的应用场景（例如：写作、数据分析、客服、代码、RAG 问答、信息抽取），我可以按你的场景给你一套“DECOMP 函数清单 + Few-shot 示例 + 可直接运行的 CALL 格式模板”。你希望用 DECOMP 来解决哪类问题？