最近在titiai.cn上试了 Gemini 3.5 做需求拆解，发现它跟 GPT-5.6 和 Claude 4.8 的风格完全不同。不是更好或更差，而是它逼我换了个角度理解需求。
它不按技术逻辑拆
GPT-5.6 拆需求是从技术角度出发——先分模块，再拆功能，最后排依赖。Gemini 3.5 不一样，它先问"用户要解决什么问题"，然后围绕问题拆任务。
我给了一个电商系统的需求文档，GPT-5.6 拆成了"用户模块、订单模块、支付模块、数据模块"。Gemini 拆成了"用户怎么注册登录、怎么下单、怎么付款、怎么查订单"。后者更贴近用户的实际使用路径。
这个区别看起来小，但影响很大。按技术模块拆，开发时你得自己想清楚模块之间的交互。按用户路径拆，模块之间的交互已经在任务里体现了。
它会追问
GPT-5.6 拿到需求直接拆，Gemini 会追问。它问了我三个问题："注册方式只支持手机号还是也要邮箱？""下单后多久内未支付自动取消？""退款是原路返回还是退到余额？"
这三个问题产品文档里都没写清楚，但它主动提出来了。以前我都是开发到一半才发现这些细节没定义，再回头找产品确认，来回浪费时间。
Gemini 的追问能力让我意识到：好的需求拆解不只是把需求拆成任务，还要发现需求里的漏洞。
它的短板
Gemini 3.5 在任务粒度控制上不如 GPT-5.6。它拆出来的任务有时候太大，"实现完整的支付流程"这种一个任务能写三天。GPT-5.6 会进一步拆成"支付接口对接""支付状态回调""退款逻辑"三个小任务。
依赖关系识别也弱一些。它能识别直接依赖，但模块之间的隐性依赖经常漏掉。GPT-5.6 在这方面更强。
工时预估三个模型都不靠谱，Gemini 也一样。它说"这个任务 2 天"你别信。
三个模型怎么搭配
需求拆解我现在是三个模型都用。Gemini 先过一遍，发现需求漏洞和用户视角的问题。GPT-5.6 再拆一遍，把任务粒度控制好、依赖关系理清楚。Claude 4.8 最后审查，检查有没有遗漏的边界条件。
三个模型各有强项，搭配用比单用一个质量高 30% 以上。
Gemini 3.5 帮我拆解需求的同时，也让我重新理解了需求。它让我意识到，好的需求拆解不只是把大任务拆成小任务，而是要从用户视角出发，发现需求里的漏洞，理清任务之间的关系。工具不同，视角不同，看到的东西也不同。
