先拆解问题再回答的认知验证提示法

向语言模型提出一个宽泛、开放式的问题——“这个创业想法可行吗？”“是什么导致恐龙灭绝的？”“我应该为这一列创建索引吗？”——单次作答往往只会抓住最显眼的结论。模型会根据最先检索到的信息给出答案，却悄无声息地跳过那些真正决定答案的子问题：谁愿意付费、具体机制是什么、这一列的选择性有多高。回复读起来似乎很完整，因为语言流畅，但它的质量受限于只对问题进行了一轮处理，而这个问题实际上需要经过多轮分析——并且你无法看出它遗漏了什么。

Cognitive Verifier（出自 White 等人的《A Prompt Pattern Catalog》）通过在回答之前插入一个停顿步骤，解决了这个问题。

不要直接回答问题。首先生成一组高质量答案所依赖的子问题，分别独立回答每个子问题，然后将这些答案整合成最终回复。一个困难的问题由此变成多个简单的问题，推理过程也会清晰地呈现出来，方便检查，而不是隐藏在一段看似自信的文字里。

Pattern 骨架——两条（P）上下文陈述

该目录将每种 Pattern 描述为一组基础上下文陈述，并用（P）表示。Cognitive Verifier 只需要其中两条：

（P1）生成：“当有人向你提出问题时，生成若干有助于更准确回答该问题的附加问题。”

（P2）整合：“将各个问题的答案整合起来，生成对总体问题的最终答案。”

第一条陈述负责搭建脚手架；第二条则将脚手架重新收拢为一个答案。还可以加入可选的第三条陈述，将子问题的数量限制在 3～5 个，并要求分别独立回答每个问题，避免某个不可靠的答案影响其他答案。

可直接复制粘贴的模板

将以下内容直接放入 system 字段，再添加你的问题即可。两条（P）陈述都标注了标签，因此可以清楚地看到整个骨架。

When I ask you a question, do not answer it directly. Instead:

(P1 · generate) First generate 3-5 additional sub-questions whose
answers would help you answer my question more accurately and
completely. Answer each sub-question independently and concisely —
do not let one answer contaminate another.

(P2 · combine) Then combine those answers into a single, well-reasoned
final answer to my original question. Note any caveats or
disagreements the sub-answers surfaced; do not paper over them.

Format:
Sub-questions & answers:
1. [sub-question] — [answer]
2. ...
Final answer: [combined answer to the original question]

My question: [YOUR QUESTION]

或者将其编排为三个阶段

使用单个 prompt，只需一次成本较低的调用，并且可以在输出中看到脚手架。当你需要并行处理和可检查的中间结果时，可以将其拆分为三个明确的阶段——返回这些中间结果，正是让推理过程可审计的关键。

async function cognitiveVerifier(question) {
  const subQuestions = await decompose(question);        // (P1) generate
  const answered     = await answerEach(subQuestions);   // answer each (parallel)
  const finalAnswer  = await combine(question, answered);// (P2) combine
  return { question, answered, finalAnswer };            // + scaffolding
}

分别回答每个子问题，正是准确性提升的来源：与原始问题相比，每个子问题规模更小、范围更明确，因此模型出错的概率远低于同时处理整个问题。由于这些子问题的答案彼此独立，相关调用还可以并行执行。

这种 Pattern 适用于宽泛、信息不充分，并且单次作答容易覆盖不全的问题：可行性分析与决策、研究与解释类问题、工程权衡、诊断，以及任何“分析一下这个”的任务。判断标准是：真正困难的部分不是计算出答案，而是弄清楚答案依赖于哪些问题。对于范围狭窄、一步即可回答的事实性问题，例如“法国的首都是哪里？”，则不必使用它——分解问题只会徒增 token 消耗。

它与 least-to-most（按顺序解决相互依赖的子问题）和 self-ask（针对多跳信息检索提出后续问题）是近亲；Cognitive Verifier 的子问题则是彼此独立的覆盖性检查，最后再将结果整合起来。

你可以逐步体验实时的“分解 → 回答 → 整合”演示，并将其与浅层的单次作答结果并排比较。

如需采取进一步措施，你可以考虑屏蔽此人和／或举报滥用行为。