一句话定义：最少到最多（Least-to-Most Prompting）是一种提示（prompting）策略——先让模型把复杂问题拆成一串由易到难的子问题，再按顺序逐个解决；每个子问题的答案，都会成为下一个子问题的已知条件。
它怎么工作
打个比方。六楼没电梯，要搬一张三人沙发上楼。硬扛整张沙发，多半卡在楼梯拐角。聪明的做法是先拆：靠背、坐垫、四根支脚，先搬最轻的支脚，再搬坐垫，最后在楼上拼回一张沙发。
LtM 就是这套流程，分两步：
1. 分解（decomposition）：把"搬沙发"换成"一份由易到难的子问题清单"。
2. 顺序求解（sequential solving）：从最简单的子问题问起，算出的答案直接写进下一个子问题的题干。
举个算术例子。题目是"周一卖出 12 件，周二比周一多 5 件，周三卖出的件数等于前两天之和，三天共卖多少件？"
- 直接问，模型常在中途把中间结果记错。
- 拆开问：周二卖多少 → 17；前两天共多少 → 29；三天共多少 → 12+17+29=58。每一步都简单到几乎不会错，错的那一步也能被单独看见、单独重做。
和相邻概念的区别
| 做法 | 直接回答 | 思维链（AI 词典：Chain-of-Thought">Chain-of-Thought） | 最少到最多（LtM） |
|---|---|---|---|
| 形态 | 一步给结论 | 一口气写完整推理 | 先列子问题清单，再逐个解决 |
| 出错表现 | 说不清哪一步错了 | 中间错一步，后面跟着崩 | 可定位到具体子问题，局部重做 |
| 调用成本 | 最低 | 较低 | 通常多次调用，更慢更贵 |
两个容易混的点：一是课程学习（curriculum learning）是训练时安排由易到难的数据顺序，LtM 是推理时的提示方法；二是普通"拆解"（decomposition）只要求拆得动，LtM 还强调两件事——按难度排序，以及把解出的答案喂回上下文。少了这两点，它就退化成一般的分步提问。
对从业者和普通人的意义
对做 AI 应用的人：多跳问答、符号操作、组合泛化（compositional generalization）这类任务上，LtM 往往比一句"请一步步思考"更稳，尤其适合需要逐步取数的场景。代价是延迟和调用次数上升，工程上常把互不依赖的子问题并行跑，或缓存子问题答案。还要记住：分解质量就是效果天花板，清单列歪了后面全白做。
对普通人：想让助手帮你做一份复杂方案，与其直接问"给我一个方案"，不如说"先别给结论，列出解决这件事需要依次搞清楚的 5 个小问题"，再逐个追问。自己拆任务也一样——不是切碎就行，而是先做最小、最确定的那一块，再用它的结果去支撑下一块。