前言+思路来源
昨天我看论文的时候，看到一个很有意思的概念：“元编程”。其含义大概就是opus等处理完全没见过的编码语言问题时，会先将问题转化成python等他熟悉的语言脚本编写问题。然后再用脚本输出答案，而不是直接去编码，大大提高了正确率。 
我就在想，对于ai来说，复杂任务的分析，是不是可以参考“元编程”的概念，再结合残差的先做一个基线，再在此基础上慢慢调优的想法，做一个复杂任务分析流程。 
整体思路与实现的一些关键
先让ai将复杂问题转化成已知领域的问题，然后做一个基线的版本，再在此基础上调优，最后达到可交付版本的水准。 
这样的话，也可以大幅度减少复杂任务分析时token的用量，即仅在一些关键节点时使用高性能模型，其他时候可用低性能模型。 
我写了执行分工和任务等级判定模块，各位佬可以根据需求来写，包括如何判断等。 
我是用的deepseek-v4-pro，所以我写的是一般都用思考...