把一個大提示拆成多次呼叫：什麼時候值得

當一個提示同時要求分類、抽取、改寫與排序時，任何一項出錯都很難定位。把它拆成多次呼叫是常見解法，但拆錯會讓成本翻倍而效果不變。

值得拆的訊號

• 不同子任務需要不同的溫度（例如抽取要 0、發想要 0.8）。
• 中間結果需要被程式驗證或修正後才能繼續。
• 某一步可以快取重用，例如文件摘要對多個問題都適用。
• 某一步可以換用更便宜的小模型。

不值得拆的情況

• 子任務之間高度耦合，拆開後每一步都要重述完整背景。
• 延遲預算很緊，多一次往返就超標。
• 只是「看起來比較整齊」，沒有實際的除錯或成本效益。

拆解後的介面要收斂

# 每一步的輸出就是下一步的輸入，型別固定
intent   = classify(user_text)                 # -> str
slots    = extract(user_text, schema[intent])  # -> dict，可程式驗證
reply    = compose(intent, slots, tone='正式')  # -> str

關鍵在於中間的 slots 是可驗證的結構，而不是一段自然語言。若每一步都輸出散文再交給下一步讀，錯誤只會被層層放大。