上周接了一个电商系统的需求，四大模块二十多个功能点，产品文档写了两千多字。以前这种需求我会自己花半天拆任务，这次试着用 GPT-5.6 来做。最近在titiai.cn上对比了几个模型，GPT-5.6 在需求拆解上的表现最让我意外。
第一轮：直接丢需求，效果一般
把产品文档直接丢给它，说"帮我拆成开发任务"。输出 18 个任务，粒度不均匀——有些太大，"实现订单系统"这哪是一个任务；有些太小，"添加订单状态枚举"根本不需要单独列。优先级没标，依赖关系也没提。
当时觉得它水平一般，后来发现是我自己的问题。
第二轮：加上约束条件
加了一句"每个任务不超过 2 天，按优先级排序，标注依赖关系"。输出完全变了，32 个任务粒度均匀，有 P0/P1/P2 和前置依赖。P0 的 8 个任务是核心链路，能独立跑通最小可用版本。
这轮让我意识到：它不是不会拆，是你得告诉它怎么拆。
第三轮：加上业务背景
再加"创业公司 MVP，第一期只要核心链路，日活预期 1000，预算有限"。输出变成 15 个任务，砍掉了非核心功能，还标注了"第一期可砍掉的"和"后续迭代建议"。质量我给 90 分。
它不擅长的地方
工时预估不靠谱，它说"2 天"基本是编的，不知道团队水平和代码质量。业务优先级会偏，它按技术复杂度排，但业务价值高的简单功能可能才是 P0。这两个我自己把关。
三轮迭代的结论
第一轮只给需求质量 50 分，第二轮加约束 70 分，第三轮加业务背景 90 分。差距不在模型，在 Prompt。你给的上下文越充分它拆得越准，你不说它就猜，你说了它就照做。
和 Claude 4.8 怎么选：需求拆解用 GPT-5.6，业务理解更强。任务粒度细化用 Claude 4.8，更细但有时过度。搭配用效率最高。
这次最大的收获不是 GPT-5.6 有多强，而是我学会了怎么用它。需求拆解这种事，AI 能帮你省一半时间，但方向得你自己把关。
