Least-to-Most Prompting

[object Object]

Least-to-Most Prompting — это техника, при которой задача разбивается на зависимые подзадачи, расположенные от простой к более сложной. Важно не просто перечислить шаги, а выстроить такую цепочку, где каждый следующий шаг реально использует результат предыдущего. В 2026 эту технику полезно воспринимать как sequential dependency management, а не как ещё один вариант фразы "реши по шагам".

Если итог зависит от нескольких промежуточных результатов, безопаснее считать не всё сразу, а собирать ответ по частям. Least-to-Most именно это и делает.

Что делает эту технику отдельной, а не просто "step by step"

Есть три разных режима, которые часто смешивают:

CoT просит модель рассуждать.
Plan-and-Solve просит сначала построить план, потом выполнить.
Least-to-Most требует выстроить зависимую лестницу подзадач, где простые результаты становятся входом для более сложных.

То есть здесь акцент не на красивом плане и не на длинном reasoning, а на правильной очередности зависимостей.

Когда Least-to-Most даёт реальную пользу

Плюсы

Снижает риск пропуска промежуточных шагов
Хорошо подходит для задач с естественной иерархией зависимостей
Упрощает debugging: видно, на каком шаге сломалась цепочка
Полезен как deterministic scaffold даже для сильных reasoning-моделей

Минусы

Не даёт преимуществ, если шаги независимы
Ранние ошибки распространяются на всё решение
Плохо работает, когда задача вообще не поддаётся аккуратной декомпозиции
Увеличивает latency и длину ответа

Где техника особенно сильна

расчётные задачи с несколькими уровнями промежуточных величин;
legal / policy analysis, где сначала надо выделить факты, потом применить правила;
аналитические memo, где сначала собираются сигналы, затем группируются, затем формируется вывод;
data tasks, где сначала извлекаются числа, потом считаются метрики, потом делается интерпретация.

Где она обычно избыточна

простые factual questions;
свободное письмо;
brainstorming;
задачи, где ветки независимы и лучше параллелятся через Branch-Solve-Merge;
workflow, где нужен не порядок зависимостей, а модульная маршрутизация через DECOMP.

Хорошая формула для промпта

Практически useful prompt обычно выглядит так:

Сначала определить подзадачи.
Упорядочить их от простого к сложному.
На каждом шаге явно использовать только уже полученные результаты.
В конце дать финальный answer отдельно от промежуточных вычислений.

Если вы не можете коротко объяснить, почему шаг 3 зависит от шагов 1 и 2, у вас, скорее всего, не Least-to-Most, а просто список пунктов.

Практический паттерн в production

На практике технику удобно делать не одним длинным монологом, а двухфазно:

decompose
solve sequentially

Это даёт два плюса:

можно проверить качество декомпозиции до выполнения;
можно логировать и валидировать каждый шаг отдельно.

Частые ошибки

Самая частая ошибка — заставлять модель одновременно и придумывать шаги, и сразу решать задачу длинным потоком. Тогда она легко теряет структуру и начинает импровизировать в середине цепочки.

Ещё три типичных промаха:

шаги не упорядочены по зависимости;
в один шаг засунуты две разные операции;
сложный inferential leap назван "простым шагом", хотя на деле он самый рискованный.

Сравнение с соседними техниками

Least-to-Most

Лучше там, где решение строится как цепочка зависимых промежуточных результатов

Plan-and-Solve

Лучше там, где важен общий план, но шаги не обязательно образуют строгую лестницу зависимости

Least-to-Most

Последовательная зависимая декомпозиция

Branch-Solve-Merge

Параллельная декомпозиция на независимые ветки

Least-to-Most

Одна линейная цепочка подзадач

DECOMP

Модульная система обработчиков и маршрутизации по типам задач

Техническая реализация

Минимальный паттерн

def least_to_most(task, decompose_fn, solve_fn):
    subtasks = decompose_fn(task)
    solved = []

    for subtask in subtasks:
        answer = solve_fn(
            task=task,
            subtask=subtask,
            previous_steps=solved,
        )
        solved.append({"subtask": subtask, "answer": answer})

    return solved[-1]["answer"], solved