SuperAPI AI 工具集

decompose

通用与其它

查看项目

更新于 10-16 07:12

技能介绍

用途

Decompose 是一个用于解决难题的思维技能。它的核心主张是:专家很少一次性解决困难问题,而是把问题不断缩小,直到未知变成一组更小的已知。该技能把这种思路固化为一个可重复执行的循环,用于在动手求解之前先完成问题拆解。

它适用于以下触发场景:

  • 你无法立刻知道答案,或你的第一个答案只是猜测。
  • 问题描述模糊,例如“机器人不准确”“API 不稳定”“模型表现不佳”。
  • 一个 bug 或失败存在多个看似合理的原因,且尚未排除任何一个。
  • 你感到想要去搜索、提问或尝试随机修复。此时应抵制这种冲动,先减少问题。

如果答案显而易见且可以直接验证,则跳过该流程直接解决。该技能针对的是难题,而非所有问题。

主要能力

该技能提供一条六步流水线:

problem -> constraints -> variables -> relationships -> subproblems -> solution

六个步骤依次为:

  1. Define(定义):目标是什么?输出期望状态与观测状态,两者都要具体。
  2. Identify(识别):什么可以变化?列出所有可能产生差距的变量。
  3. Analyze(分析):它们如何关联?哪些变量驱动哪些效果,以及依赖与耦合关系。
  4. Decompose(拆解):更小的问题是什么?拆成独立、可测试的子问题,每个子问题对应一个变量。
  5. Test(测试):一次只测一个变量。每个假设对应一个实验,其余条件保持不变。
  6. Solve(求解):验证并迭代。确认原因、应用修复、更新对系统的模型。

其中第 2 步被认为最重要。多数失败的问题求解,源于从未真正识别出未知到底是什么。

使用方式

1. 定义:期望状态 vs 观测状态

把两者明确写下来。“机器人不准确”几乎没有用处;“指令位置为 (x, y, z),实测位置在 x 方向偏移 12 mm,且在负载下持续如此”才是可以攻击的问题。

  • 期望状态:应该发生什么,用可度量的术语表达。
  • 观测状态:实际发生什么,用同样的术语表达。
  • 差异:你试图弥合的差距。要测量它,而不是描述它。

2. 识别:枚举变量

列出所有可能产生该差异的因素。此步要穷尽,剪枝留到后面。以机器人问题为例,一个模糊问题可变成七个可测试假设:

  • 指令位置是否错误?
  • 定位是否漂移?
  • 运动学模型是否不准确?
  • 是否存在执行器回差?
  • 控制器是否调参不佳?
  • 延迟是否造成相位滞后?
  • 机械结构是否在负载下发生形变?

对软件问题,同样的动作会产生:错误输入、错误配置、错误环境、过期缓存、竞态条件、依赖版本、资源限制等。

对每个变量提问:它是否有可能产生观测到的差异?如果不能,就删除它。如果它只能解释部分差距,就记录下来;答案可能是多个因素的组合。

3. 分析:绘制关系图

弄清变量之间如何交互。哪些在上游、哪些在下游?哪些相互耦合,改变一个会带动另一个?哪些相互独立、可以单独测试?

这一步是领域原语发挥作用的地方。你拥有的构建块越多(控制理论、分布式系统、线性代数等),这张图就越清晰。如果缺少某个原语,就把这个缺口命名出来;它本身就是一个子问题。

4. 拆解:拆分为子问题

把变量列表转化为独立的子问题,理想情况下形成一棵树:根是原始问题,每个子节点是一个假设,每个叶子是可以直接检查的东西。排序依据为:

  • 基于现有证据的可能性。
  • 测试成本。
  • 一个结果能剪掉树的多大部分。

能消除整条分支的廉价测试优先执行。

5. 测试:一次只测一个变量

对每个子问题:

  • 尽可能保持其他所有变量不变。
  • 只改变一个东西。
  • 观察。记录实际测量值,而不是印象。
  • 根据结果更新你对系统的模型。

如果测试结果让你意外,那是信号。回到第 2 步或第 3 步;你的变量列表或关系图不完整。

6. 求解:验证并迭代

一旦某个假设被确认,应用修复并重新测量第 1 步中的差距。如果差距闭合,完成。如果只是缩小,剩余差距就是一个新的、更小的问题:对它再次运行整个循环。

这是把科学方法压缩成一个实用的问题求解循环。

输出格式

应用该技能时,在提出解决方案之前先让拆解过程可见。紧凑形式如下:

Goal: <desired state> Observed: <observed state> Gap: <measured difference>

Hypotheses (ordered by likelihood x cheapness to test):

  1. <variable> -> test: <experiment> -> expected if true: <observation>
  2. ...

Next test: #1

然后按顺序执行测试,报告每个结果以及它排除了什么或确认了什么,直到差距被解释清楚。

适用场景

  • 软件:把系统拆成模块。
  • 机器人:分离感知、估计、规划与控制。
  • 数学:把不熟悉的问题转化为你已知道如何操作的结构。
  • 工程:隔离变量,直到因果关系变得可见。

拆解把困惑转化为实验,这正是该技能的全部要点。

限制与反模式

应避免以下反模式:

  • 在定义问题之前就去搜索答案。先减少问题。
  • 同时改变多个变量。这样从结果中学不到任何东西。
  • 把症状当作问题陈述(“它很慢”)。
  • 停在第一个看似合理的原因上,而不排除其他原因。
  • 把描述与测量混为一谈。

为什么重要

专家并不会遇到更容易的问题。他们拥有更大的库,能把困难问题拆成熟悉的问题。你学习的每一门技术学科(数学、物理、编程、工程)都会为这个库增加原语,而更好的原语会产生更好的拆解。你是在为思考积累原语。

该技能改编自 Mustafa(@oprydai)在 X 上的文章《From Complexity to Clarity: break it down, solve it forward》。