用途：当 AI 在简单输入上可用、但在复杂输入（长文档、多项列表、混合格式）上失败时，指导把单个不可靠步骤拆成多个可靠子任务。核心观点是：复杂输入失败时，重构任务结构往往比反复调提示词更有效。
主要能力与策略：先诊断失败模式（漏项、字段混淆、结果不一致、准确率随长度下降），再按模式选择策略。分块处理：把长输入切成带重叠的块，逐块处理并去重，重叠可避免边界项被切断，去重必不可少。顺序抽取：先抽取一类内容，再用结果约束下一次抽取，避免模型同时处理多个相似对象。先识别后处理：先列出所有条目名称，再逐条抽取细节，识别步骤充当“注意力锚点”，减少漏项。不同输入类型可先分类再专门处理。
使用方式：基于 DSPy 的 Signature、Module、ChainOfThought 等构建流水线；用 Evaluate 对比单步与拆解版本，并按复杂度分层评估；可用 MIPROv2 端到端优化各阶段；简单阶段（如列条目）可用更便宜的模型，抽取阶段用高质量模型。安装命令：npx skills add lebsral/DSPy-Programming-not-prompting-LMs-skills --skill <name>。
适用场景：医疗报告、发票、简历、合同条款等需要从长文本中抽取多组相似结构化数据的任务。
限制与注意事项：不要过早拆解，先测量单步版本；不要给每个子步骤传完整文档，应只传相关片段；构建评估集时记得调用 with_inputs()；优化模块内避免硬报错，改用默认返回或 dspy.Refine；不要仅按字符数分块，应在段落、句子等自然边界切分。拆解会增加调用次数、延迟与成本，需验证准确率提升是否值得。