M3-L2 · 拆解 → 执行 → 检查：把复杂任务变成可控流程
适合谁读这节课
适合：已经完成上下文工程（M3-L1），知道如何设计"对话底板"，现在想把复杂的多步骤任务也纳入稳定的工作流的人。
不适合：还没有完成过完整的 V1→V3 迭代（M2-L3）的人——先有反复修改的经历，再来学系统拆解。
读完这节课你能做到什么：把任何一个"模糊的大任务"拆成 3–5 个清晰的步骤，每步用 AI 执行，每步完成后检查，整个过程在你的控制下推进，不会做完一堆才发现方向错了。
为什么"一步到位"经常失败
你一定有过这种体验：
"帮我写一篇完整的文章，话题是 XXX，风格是 XXX，要有数据、有案例、有金句、有共情……"
AI 给你一篇，你看了，觉得某段不对，某个数据有问题，语气也不是你要的，整体方向好像稍微偏了……你开始改，改着改着，越改越乱。
问题不是要求太高，而是一次性要求太多——AI 需要同时处理选题判断、结构设计、内容填充、语气控制、数据核查，任何一个环节偏了，整篇就偏了，而你要到最后才发现。
更好的方式：把任务拆开，每步只让 AI 做一件事，每步出来你先检查，确认没问题再往下走。
闭环的结构：三个动作
拆解任务 → AI 执行单步 → 你检查（通过 → 下一步；不通过 → 在这步修正）
这个闭环的关键，不在于"拆多细"，而在于每步都有一个你能判断"对不对"的检查点。
一个内容任务的完整拆解示例
目标：写一篇 1000 字的公众号文章，话题"AI 改变了我的工作方式"，给没有 AI 使用经验的读者看。
不好的用法（一步到位）：
帮我写一篇 1000 字的公众号文章，话题是 AI 改变了我的工作方式，给没接触过 AI 的读者，要有真实感，有具体的案例，开头要吸引人……
→ AI 给一篇通用文章，你来来回回改很多轮。
好的用法（分步闭环）：
| 步骤 | 给 AI 的指令 | 你做的检查 |
|---|---|---|
| Step 1：定角度 | "给我 5 个'AI 改变工作方式'的具体切入角度，每个一句话。目标读者是没用过 AI 的上班族。" | 你选一个最适合你亲身经历的角度，或者说哪个最接近，让 AI 修改 |
| Step 2：搭骨架 | "基于[你选的角度]，帮我列一个文章大纲，包含开头（场景）、中间（3个要点）、结尾（行动建议）" | 检查每个要点是否符合你的真实体验；不对的替换或修改 |
| Step 3：写开头 | "按照这个大纲，帮我写开头部分（100字以内）。用一个读者有共鸣的场景开始。" | 检查：这个开头你的读者会有共鸣吗？场景是否真实？语气对吗？ |
| Step 4：写主体 | "继续写三个要点（每个 200 字左右），基于我的这些真实经历：[粘贴你的真实经历碎片]" | 检查：这些是来自你的真实经历，还是 AI 自己发挥的？有没有要核查的数据？ |
| Step 5：整合润色 | "把以下各部分整合成一篇完整、流畅的文章，保持风格一致，总字数约 1000 字。" | 最终通读：是不是有"你"的声音？数据都核查过了吗？ |
每步的偏差都很小，修正成本低；整体方向稳定，不会到最后才发现偏了。
检查点的三个问题
每步 AI 执行完，用 30 秒做快速检查：
- 方向对吗？ 这步的结果是我要的方向吗？
- 有没有我要加的？ 它遗漏了什么只有我知道的内容（个人经历、具体数据、特定观点）？
- 有没有要删的？ 它加了什么我不需要，或者需要核查来源的内容？
通过 → 继续下一步
没通过 → 在这步修正，不要带着问题往下走
为什么不能跳过检查这一步
这是最常见的错误：感觉 Step 2 的大纲还不错，没细看就继续写 Step 3、Step 4……到 Step 5 整合时，发现大纲里有一个要点其实是 AI 自己发明的，和你的真实情况完全不符，整个主体都要推倒重来。
工程学里有个原则：越早发现问题，修复成本越低。
Step 2 发现问题，修改成本是：改一个要点（5 分钟）。
Step 5 发现问题，修改成本是：重写一个主体段落（30 分钟）。
检查不是不信任 AI，是你保持控制权的方式。
进阶：给 AI 设计一个"自检"动作
如果你在做高质量内容，可以让 AI 在给出结果后自己做一轮检查：
帮我写[具体任务]。
写完之后，按以下标准自检，并在结果后面附上检查结果：
- 所有数据和引用是否有来源（或者明确标注"需要核查"）？
- 语气是否符合要求（接地气，不用术语）？
- 字数是否在目标范围内？
把自检结果写在文章下方，格式：✅ XXX / ⚠️ XXX（需要你核查或确认的地方）
这样 AI 先自己筛一遍，你只需要处理它标出来的问题——效率更高。
你的分工图：标注每个环节
把你的内容生产流程画出来（选题 → 调研 → 结构 → 写作 → 修改 → 发布），在每个环节标注：
- AI 主导：AI 生成，你把关
- AI 辅助，你判断：AI 提供选项，你做决定
- 你必须来：AI 无法替代（你的个人经验、数据核查、最终发布决策）
最重要的原则："你必须来"的环节永远不要外包给 AI——不是因为 AI 做不了，而是因为那些是你内容的独特价值所在。
引导练习
准备：你手头一个未完成的内容任务，或者你下一个要完成的内容项目。
任务：
- 不要打开 AI，先把这个任务拆成 3–5 个步骤
- 为每步写一个检查点（完成了什么样的结果算这步 OK）
- 按照这个拆解，一步一步用 AI 执行
- 在哪步发现了需要修正的地方？修正之后，后面有没有更顺？
独立挑战
关掉讲义，独立完成。
任务：
选一个你实际要完成的内容创作任务（500 字以上的文章，或者一个系列内容的策划）。
从零开始，完成完整的五步分解，包括：
- 每步的 AI 指令写出来（不只是描述，是完整的指令）
- 每步的检查标准写出来
- 真实执行，记录在哪步遇到了问题、怎么修正的
最后评估：整个流程用了多长时间？和你以前的方式对比，哪里省了时间，哪里额外多了时间（检查），整体来说值不值？
量规
通过条件：
- 你完成了完整的 5 步分解（每步有指令 + 检查标准），不只是描述，是真实执行的
- 你在至少一步发现了需要修正的地方，并做了修正（不是全都"没问题就过"）
- 你能说出：为什么不在发现问题之后继续往下走，而是在这步修正？
不通过：拆解只在脑子里，没有落成文字——拆解的价值在于把隐性判断显式化，写下来才算数。
迁移挑战
场景：你带了一个实习生，他第一次用 AI 做内容任务，做完了发现方向完全偏了，浪费了 2 个小时。
你会怎么教他用"拆解 + 检查"的方式，避免下次出现同样的问题？
写出你会给他的操作建议（不超过 200 字，必须是他能立刻用的具体步骤，不是原则性的话）。
下一节预告
M3-L3 · 沉淀模板：把你的经验变成可以复用的系统
你已经能稳定地做好一次任务。下节课做一件大多数人忽略的事：把这次成功的流程记录下来，整理成模板，让以后同类任务不用重新发明轮子——这是从"偶尔用得好"到"每次都用得好"的关键一步。