CommunityRecherche & Datenanalysegithub.com

sametcelikbicak/task-decomposer

Eine KI-Agentenfähigkeit, die Entwicklern hilft, komplexe Anfragen in strukturierte, KI-freundliche Aufgabenabläufe zu zerlegen. Optimiert die Nutzung des Kontextfensters, verwaltet Multi-Session-Workflows und liefert bessere Ergebnisse durch weniger, aber gezieltere Prompts. Kompatibel mit opencode, Claude Code, Cursor, Windsurf und GitHub Copilot.

Was ist task-decomposer?

Task Decomposer ist eine Metafähigkeit für KI-Agenten, die darauf ausgelegt ist, komplexe oder vage Anfragen in eine Reihe von kleinen, atomaren und überprüfbaren Aufgaben (Prompt Cards) zu zerlegen, die jeweils in ein einzelnes Kontextfenster passen. Es behebt die häufigste Ursache für Frustration mit KI – zu viel auf einmal zu verlangen –, indem es einen strukturierten Rahmen einführt: Ziel formulieren, Abhängigkeiten abbilden, in atomare Prompts aufteilen, Kontextbudget planen und Ausführungsplan präsentieren. Die Fähigkeit leitet den Assistenten (und den Benutzer) durch fünf Schritte, um Klarheit und Fokus zu gewährleisten. Sie generiert automatisch eine `CONTEXT.md` für die Übergabe zwischen Sitzungen und warnt vor Kontextüberläufen, was es ideal für große Projekte oder lang laufende Arbeiten macht. Sie unterstützt wichtige Plattformen wie opencode, Claude Code, Cursor, Windsurf und GitHub Copilot und funktioniert sowohl als Leitfaden für den Benutzer als auch als Verhaltensregel für den Assistenten. Der Hauptvorteile sind: weniger Token-Verschwendung durch Vermeidung überladener Prompts, klare Erfolgskriterien, die eine Überentwicklung verhindern, und explizite Abhängigkeitsverwaltung. Durch die Integration dieses Frameworks können Entwickler die Qualität und Konsistenz der KI-Ausgaben bei großen Aufgaben drastisch verbessern, den mentalen Aufwand reduzieren und sicherstellen, dass komplexe Workflows effizient über mehrere KI-Sitzungen hinweg verwaltet werden können.

Funktioniert mit✓Claude Code~Codex CLI✓Cursor✓OpenCode✓Windsurf
npx skills add sametcelikbicak/task-decomposer

Installed? Explore more Recherche & Datenanalyse skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Task Decomposer

Hilft Benutzern, komplexe Anfragen in strukturierte, KI-freundliche Aufgabenabläufe zu zerlegen. Optimiert die Effizienz des Kontextfensters, klare Abhängigkeitsreihenfolgen und messbaren Fortschritt – damit der Benutzer mit weniger, aber fokussierteren Interaktionen bessere Ergebnisse erzielt.

Philosophie

Die meiste KI-Frustration hat eine Ursache: zu viel auf einmal verlangen. Ein einzelner, vager Prompt liefert ein oberflächliches Ergebnis. Die Aufgabenzerlegung kehrt dies um – sie lehrt Benutzer (und leitet den Assistenten an), in atomaren, abhängigkeitsgeordneten Einheiten zu denken.

Das Modell: Planen → Aufteilen → Prompten → Überprüfen → Nächstes


Benutzerorientierter Rahmen

Wenn ein Benutzer etwas Großes oder Vages sagt, führe ihn Schritt für Schritt durch diesen Zerlegungsrahmen:

Schritt 1: Zielformulierung

Stelle dem Benutzer klärende Fragen, um das wahre Ziel zu definieren:

  • "Was ist das eine Ergebnis, das du erreicht haben willst, wenn dies abgeschlossen ist?"
  • "Welche Einschränkungen sind wichtig? (Deadlines, Tech-Stack, Standards)"
  • "Wie sieht Erfolg aus? Wie wirst du ihn überprüfen?"
  • "Was versuchst du nicht zu tun? (Anti-Ziele)"

Ergebnis: Eine ein- bis zwei-absätzige Zielaussage. Wenn sie länger als 3 Sätze ist, weiter verfeinern.

Schritt 2: Abhängigkeitskarte

Hilf dem Benutzer, die natürliche Reihenfolge der Arbeit zu identifizieren:

Stufe 1 – Fundament   (Setup, Konfiguration, Datenmodell)
Stufe 2 – Kernlogik   (Geschäftslogik, API, Hauptfunktion)
Stufe 3 – Verfeinerung (UI, Fehlerbehandlung, Randfälle)
Stufe 4 – Überprüfung (Tests, Review, Deployment)

Frage: "Welche davon müssen existieren, bevor die nächste beginnen kann?"

Ergebnis: Eine nummerierte Liste von 3-7 Phasen mit markierten Abhängigkeiten.

Schritt 3: In atomare Prompts aufteilen

Jeder Prompt, den der Benutzer der KI geben wird, sollte folgende Eigenschaften haben:

EigenschaftBeschreibung
AtomarEine logische Änderung – eine Datei, ein Anliegen
EigenständigHat genug Kontext, um ohne Verlauf ausgeführt zu werden
ÜberprüfbarKlare Bestehens-/Ablehnungskriterien
KontextfenstergerechtPasst bequem in das Kontextfenster (unter ~40K Token Anweisung)

Vorlage für jeden Teil-Aufgaben:

## Aufgabe: [Kurzname]
## Kontext
[2-3 Sätze: was existiert, was nicht, relevante Dateien]
## Anforderungen
- [Aufzählung dessen, was die KI tun soll]
- [Bestimmte zu erstellende/ändernde Dateien]
## Abnahmekriterien
- [Wie überprüft wird, ob dies korrekt erledigt ist]
## Einschränkungen
- [Zu befolgende Muster, zu vermeidende Dinge]

Ergebnis: 3-7 Aufgabenkarten, die der Benutzer nacheinander einfügen kann.

Schritt 4: Kontextbudget-Plan

Warne den Benutzer vor den Grenzen des Kontextfensters und plane entsprechend:

  • Sitzung 1 (Fundament + Kern): ~3 Prompts, neu starten
  • Sitzung 2 (Verfeinerung + Überprüfung): ~3 Prompts, neu starten
  • Sitzungsübergabe: Beende jede Sitzung mit einer Zusammenfassung CONTEXT.md

Erzeuge eine CONTEXT.md bei jedem Meilenstein:

# Kontextübergabe — [Meilensteinname]

## Erledigt
- [x] Erledigt Aufgabe 1 — /pfad/zu/datei
- [x] Erledigt Aufgabe 2 — /pfad/zu/datei

## Entscheidungen
- Habe X Y vorgezogen, weil Z
- API-Rückgabeform: { ... }

## Nächste Sitzung
- Verbleibende Aufgaben mit Abhängigkeiten
- Dateien, die der nächste Agent zuerst lesen muss

## Zustand
- Branch: feature/xyz
- Durchgeführte Migrationen: 3
- Hinzugefügte Umgebungsvariablen: DATABASE_URL, API_KEY

Schritt 5: Ausführungsreihenfolge

Präsentiere dem Benutzer den endgültigen Plan:

## Ausführungsplan

Phase 1 – Fundament (Sitzung 1)
  Prompt 1: Projektscaffolding und Konfiguration einrichten
  Prompt 2: Datenbankschema und Modelle erstellen
  Prompt 3: Authentifizierungs-Middleware implementieren
  └─ Überprüfen: `npm run dev` ausführen, bestätigen, dass die Login-Seite lädt

Phase 2 – Kernlogik (Sitzung 1 Fortsetzung)
  Prompt 4: Benutzer-CRUD-API bauen
  Prompt 5: Geschäftslogikdienst implementieren
  └─ Überprüfen: Tests ausführen, bestätigen, dass die API antwortet

Phase 3 – Verfeinerung (Sitzung 2)
  Prompt 6: Fehlerbehandlung und Validierung hinzufügen
  Prompt 7: UI-Komponenten gestalten
  └─ Überprüfen: Manueller QA-Durchlauf

Phase 4 – Überprüfung (Sitzung 2 Fortsetzung)
  Prompt 8: Fehlende Tests schreiben
  └─ Überprüfen: Abdeckung >= 80 %, alle Tests bestanden

Assistentenverhalten

Wenn der Benutzer etwas Großes fragt

  1. NICHT sofort mit der Implementierung beginnen
  2. Stattdessen mit den Fragen zur Zielformulierung antworten (Schritt 1)
  3. Sobald das Ziel klar ist, eine Abhängigkeitskarte zur Bestätigung präsentieren
  4. Nach Zustimmung des Benutzers den Ausführungsplan mit Aufgabenkarten generieren
  5. Anbieten, Prompt 1 sofort auszuführen, oder den Benutzer steuern lassen

Wenn der Kontext voll wird

Überwache die Konversationsgröße. Wenn die Kontextgrenzen erreicht werden:

  1. Entscheidungen und Zustand in einer CONTEXT.md zusammenfassen
  2. Dem Benutzer raten, eine neue Sitzung zu starten
  3. Ihm sagen, er solle die CONTEXT.md in den ersten Prompt der neuen Sitzung einfügen

Wenn der Benutzer unsicher ist, wie er prompten soll

Vorlagen anbieten:

"Ich brauche dich, um [Aktion] in/an [Datei/Bereich] durchzuführen.
Konkret:
- [Anforderung 1]
- [Anforderung 2]
Tu nicht: [was zu vermeiden ist]
Überprüfen durch: [Kriterium]"

Anti-Patterns, die vermieden werden sollten

Anti-PatternWarum es scheitertStattdessen
"Die ganze App bauen"Kontextüberlauf, überall oberflächlichIn 5-10 atomare Prompts zerlegen
Kontextwechsel mitten in der SitzungVorheriger Kontext verschwendet TokensPrompt beenden → CONTEXT.md → neue Sitzung
Keine AbnahmekriterienKI hört zu früh auf oder entwickelt übermäßig1-3 spezifische Prüfungen pro Prompt schreiben
Implizite AbhängigkeitenKI trifft falsche Annahmen"X muss vor Y existieren" explizit angeben
Vage ErfolgskriterienKeine Möglichkeit festzustellen, wann fertig"API gibt 200 mit { id } bei POST /users zurück"

Beispiele

Beispiel 1: Full-Stack-Feature-Plan

Benutzer: "Ich muss eine Zahlungsseite hinzufügen"

Agentenantwort verwendet den Rahmen:

  1. Zielklärung: "Welcher Zahlungsanbieter? Einzelprodukt oder variable Beträge? Zahlungsmethoden speichern? Compliance-Anforderungen?"
  2. Abhängigkeitskarte: Stripe-Setup → Checkout-API → Zahlungsformular-UI → Erfolgs-/Fehlerseiten → Tests
  3. Aufgabenkarten:
    • Prompt 1: "Stripe SDK einrichten, /api/create-payment-intent-Endpunkt erstellen"
    • Prompt 2: "React-Checkout-Formular mit Stripe Elements bauen"
    • Prompt 3: "Zahlungs-Erfolgs-/Fehlerseiten mit Fehlerbehandlung hinzufügen"
    • Prompt 4: "Tests für Zahlungsablauf-Randfälle schreiben"
  4. Kontextbudget: Sitzung 1 (Prompt 1-2), Sitzung 2 (Prompt 3-4)

Beispiel 2: Kontextwiederherstellung

Benutzer startet eine neue Sitzung: "Ich habe letztes Mal an der Zahlungsseite gearbeitet"

Agent: "Lass mich nach einer CONTEXT.md-Datei im Projektstammverzeichnis suchen..."

Wenn gefunden: Lesen und dort weitermachen, wo aufgehört wurde. Wenn nicht gefunden: Fragen "Was war das Letzte, das funktioniert hat? Erinnerst du dich an die wichtigsten Entscheidungen?"

Beispiel 3: Einen feststeckenden Benutzer retten

Benutzer: "Mein Prompt wird ignoriert, die KI kommt immer vom Thema ab"

Agent: "Dein Prompt ist möglicherweise zu allgemein. Lass mich dir helfen, ihn umzustrukturieren. Was versuchst du zu erreichen?"

Gehe die Schritte 1-3 durch und erstelle eine fokussierte Einzel-Prompt-Karte.


Referenz: Wann welcher Ansatz verwendet wird

Benutzer sagtAnsatz
"Füge eine Login-Seite hinzu"Klein → einfach machen (keine Zerlegung nötig)
"Baue eine E-Commerce-Website"Groß → vollständigen Rahmen verwenden
"Es vergisst ständig, was wir getan haben"Kontext voll → CONTEXT.md-Übergabe generieren
"Ich weiß nicht, wo ich anfangen soll"Mehrdeutig → zuerst Zielformulierung
"Ich habe diesen PR, schreibe Tests"Spezifisch → einfach machen, keine Zerlegung
"Mein Prompt ist zu lang und die KI ignoriert Teile"Aufgebläht → in atomare Prompts aufteilen

Verwandte Skills