把三千字的报告一次性交给 AI，通常十分钟就能拿到一份完整的稿子。问题在下一步：这份稿子看起来什么都有，改起来却无从下手，因为每一段都不是你决定的。
一次性生成，缺的是中间判断
长任务崩掉，不是因为模型写得差，是因为中间没有判断点。人写长文的过程里，每写一节都会停下来想一句：这一节够不够，要不要换个例子。这些停顿看起来低效，其实是全篇结构的来源。一次性生成把这些停顿全省了，于是结构是模型的平均值，不是你的判断。
所以拆步的目的不是让 AI 少干活，是把判断的位置还给自己。每一步做完，你先判断，再决定下一步往哪走。
判断也有成本，所以要给它一个明确的问题。每步结束时只问一句：这一步能不能用。能用就往下，不能用就退回上一步，不要在同一个地方磨第三遍。
三步拆法
第一步列提纲：只让 AI 给五个小标题和每个标题下的一句话主张，不要正文。这一步你要做的是删和换，五个里留下三个，换掉一个，顺序调一次。第二步逐节写：一次只写一节，把上一节的结尾贴进去当上下文，防止重复和断裂。第三步回改一致性：全篇写完，单独跑一遍，只查三件事——术语是否统一、前后是否有矛盾、有没有重复的例子。
三步之间不要合并。合并回去，就等于又做了一次性生成，只是分三次粘贴。
每步的验收标准
提纲步的验收：每个小标题能不能用一句话说清它回答什么问题，说不清就是标题太大。逐节步的验收：这一节有没有回答自己的标题，有没有出现没有出处的数字。回改步的验收：把全篇通读一遍，能不能只靠小标题复述整篇的逻辑。
验收只写一条，写在纸上。标准太多，等于没有标准。
拆过头的代价
拆得太细也有问题：每一步只给一句话，模型看不到上下文，写出来的东西碎片化，接起来像拼接。经验上，一节控制在三百到六百字比较合适，再细就该合并。
还有一条底线：事实必须回原出处核。AI 给的数字、年份、人名，都要自己查一遍，拆步不会让事实变准，只会让错误更容易被发现。
另外，全程留一份自己的提纲原件。改到第三轮，稿子会越来越像模型写的，回头看一眼最初那五个小标题，才知道自己原本想说什么。
今天就能开始
下一次的长任务切成三步：先只要提纲，你改完再写第一节，写完一节再往下。
课程研发部（Curriculum Team）· 杨斯毅教育研究院