sametcelikbicak/task-decomposer

Una habilidad para agentes de IA que ayuda a los desarrolladores a descomponer solicitudes complejas en secuencias de tareas estructuradas y amigables para la IA. Optimiza el uso de la ventana de contexto, gestiona flujos de trabajo en múltiples sesiones y produce mejores resultados a partir de menos indicaciones más enfocadas. Compatible con opencode, Claude Code, Cursor, Windsurf y GitHub Copilot.

¿Qué es task-decomposer?

Task Decomposer es una habilidad para agentes de IA diseñada para ayudar tanto a desarrolladores como a asistentes de IA a manejar solicitudes grandes y complejas dividiéndolas en tareas más pequeñas, atómicas y ordenadas por dependencias. El principio central es que la mayoría de los problemas con la IA provienen de pedir demasiado a la vez; esta habilidad aborda eso guiando al usuario a través de un proceso estructurado de cinco pasos: Articulación del Objetivo, Mapa de Dependencias, División en Prompts Atómicos, Plan de Presupuesto de Contexto y Orden de Ejecución. La habilidad se puede invocar cuando un usuario plantea una solicitud amplia, cuando la ventana de contexto está llena, o cuando el usuario no está seguro de cómo estructurar un prompt. Genera ejecutables como tarjetas de prompt reutilizables y archivos de transferencia de contexto (CONTEXT.md) para garantizar la continuidad entre sesiones. Esta habilidad es compatible con agentes de IA populares como Claude Code, Cursor, Codex, Windsurf y GitHub Copilot, y es particularmente útil para flujos de trabajo de desarrollo complejos como la construcción de aplicaciones completas, refactorización o gestión de código heredado.

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

Installed? Explore more Investigación y análisis de datos skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Task Decomposer (Descomponedor de Tareas)

Ayuda a los usuarios a descomponer solicitudes complejas en secuencias de tareas estructuradas y amigables para la IA. Optimiza la eficiencia de la ventana de contexto, un orden de dependencias claro y un progreso medible, para que el usuario obtenga mejores resultados con menos interacciones más enfocadas.

Filosofía

La mayoría de las frustraciones con la IA provienen de una causa raíz: pedir demasiado a la vez. Un único prompt vago produce un resultado superficial. La descomposición de tareas invierte esto: enseña a los usuarios (y guía al asistente) a pensar en unidades atómicas y ordenadas por dependencias.

El modelo: Planificar → Dividir → Preguntar → Verificar → Siguiente


Marco de Trabajo Orientado al Usuario

Cuando un usuario dice algo grande o vago, guíalo a través de este marco de descomposición:

Paso 1: Articulación del Objetivo

Haz preguntas aclaratorias al usuario para definir el verdadero objetivo:

  • "¿Cuál es el único resultado que deseas cuando esto esté terminado?"
  • "¿Qué restricciones importan? (fechas límite, stack tecnológico, estándares)"
  • "¿Cómo se ve el éxito? ¿Cómo lo verificarás?"
  • "¿Qué no estás tratando de hacer? (anti-objetivos)"

Resultado: Una declaración de objetivo de un párrafo. Si necesita más de 3 oraciones, sigue refinándolo.

Paso 2: Mapa de Dependencias

Ayuda al usuario a identificar el orden natural del trabajo:

Nivel 1 — Base           (configuración, archivos de config, modelo de datos)
Nivel 2 — Lógica Central (lógica de negocio, API, funcionalidad principal)
Nivel 3 — Pulido         (UI, manejo de errores, casos límite)
Nivel 4 — Verificación   (pruebas, revisión, despliegue)

Pregunta: "¿Cuáles de estos deben existir antes de que el siguiente pueda comenzar?"

Resultado: Una lista numerada de 3 a 7 fases con dependencias marcadas.

Paso 3: Dividir en Prompts Atómicos

Cada prompt que el usuario dará a la IA debe ser:

PropiedadDescripción
AtómicoUn cambio lógico: un archivo, un tema
IndependienteTiene suficiente contexto para ejecutarse sin historial
VerificableCriterios claros de aceptación/rechazo
Cabe en la ventanaEncaja cómodamente en la ventana de contexto (menos de ~40K tokens de instrucción)

Plantilla para cada división:

## Tarea: [nombre corto]
## Contexto
[2-3 oraciones: qué existe, qué no, archivos relevantes]
## Requisitos
- [lista de viñetas de lo que la IA debe hacer]
- [archivos específicos para crear/modificar]
## Criterios de Aceptación
- [cómo verificar que esto se hizo correctamente]
## Restricciones
- [patrones a seguir, cosas a evitar]

Resultado: De 3 a 7 tarjetas de prompt que el usuario puede pegar una a la vez.

Paso 4: Plan de Presupuesto de Contexto

Advierte al usuario sobre los límites de la ventana de contexto y planifica en consecuencia:

  • Sesión 1 (Base + Lógica Central): ~3 prompts, empezar de nuevo
  • Sesión 2 (Pulido + Verificación): ~3 prompts, empezar de nuevo
  • Transferencia entre sesiones: Termina cada sesión con un resumen CONTEXT.md

Genera un CONTEXT.md en cada hito:

# Transferencia de Contexto — [Nombre del Hito]

## Completado
- [x] Elemento completado 1 — /ruta/al/archivo
- [x] Elemento completado 2 — /ruta/al/archivo

## Decisiones
- Se eligió X sobre Y porque Z
- La forma de retorno de la API: { ... }

## Siguiente sesión
- Tareas restantes con dependencias
- Archivos que el próximo agente debe leer primero

## Estado
- Rama: feature/xyz
- Migraciones aplicadas: 3
- Variables de entorno agregadas: DATABASE_URL, API_KEY

Paso 5: Orden de Ejecución

Presenta el plan final al usuario:

## Plan de Ejecución

Fase 1 — Base (Sesión 1)
  Prompt 1: Configurar el andamiaje del proyecto y la configuración
  Prompt 2: Crear el esquema de base de datos y los modelos
  Prompt 3: Implementar middleware de autenticación
  └─ Verificar: ejecutar `npm run dev`, confirmar que la página de inicio de sesión carga

Fase 2 — Lógica Central (Sesión 1 cont.)
  Prompt 4: Construir API CRUD de usuarios
  Prompt 5: Implementar servicio de lógica de negocio
  └─ Verificar: ejecutar pruebas, confirmar que la API responde

Fase 3 — Pulido (Sesión 2)
  Prompt 6: Agregar manejo de errores y validación
  Prompt 7: Diseñar componentes de UI
  └─ Verificar: flujo de QA manual

Fase 4 — Verificación (Sesión 2 cont.)
  Prompt 8: Escribir pruebas faltantes
  └─ Verificar: cobertura >= 80%, todas las pruebas pasan

Comportamiento del Asistente

Cuando el usuario pide algo grande

  1. NO empezar a implementar inmediatamente
  2. En su lugar, responder con las preguntas de Articulación del Objetivo (Paso 1)
  3. Una vez que el objetivo esté claro, presentar un Mapa de Dependencias para confirmación
  4. Después de la aprobación del usuario, generar el Plan de Ejecución con tarjetas de prompt
  5. Ofrecer ejecutar el Prompt 1 inmediatamente, o dejar que el usuario lidere

Cuando el contexto se está llenando

Monitorear el tamaño de la conversación. Si se acerca a los límites de contexto:

  1. Resumir decisiones y estado en un CONTEXT.md
  2. Aconsejar al usuario iniciar una nueva sesión
  3. Decirle que incluya el CONTEXT.md en el primer prompt de la nueva sesión

Cuando el usuario no está seguro de cómo hacer el prompt

Ofrecer plantillas:

"Necesito que [acción] en [archivo/área].
Específicamente:
- [requisito 1]
- [requisito 2]
No hagas: [qué evitar]
Verificar mediante: [criterio]"

Anti-patrones a Evitar

Anti-patrónPor qué fallaEn su lugar
"Construye toda la aplicación"Desbordamiento de contexto, superficial en todas partesDescomponer en 5-10 prompts atómicos
Cambio de contexto a mitad de sesiónEl contexto anterior desperdicia tokensTerminar prompt → CONTEXT.md → nueva sesión
Sin criterios de aceptaciónLa IA se detiene temprano o sobreingenierizaEscribir 1-3 verificaciones específicas por prompt
Dependencias implícitasLa IA hace suposiciones incorrectasIndicar "X debe existir antes que Y" explícitamente
Criterios de éxito vagosNo se puede saber cuándo está terminado"La API devuelve 200 con { id } en POST /users"

Ejemplos

Ejemplo 1: Plan de funcionalidad full-stack

Usuario: "Necesito agregar una página de pago"

Respuesta del agente usando el marco:

  1. Aclaración del objetivo: "¿Qué proveedor de pagos? ¿Producto único o montos variables? ¿Guardar métodos de pago? ¿Algún requisito de cumplimiento?"
  2. Mapa de Dependencias: Configuración de Stripe → API de Checkout → UI del formulario de pago → Páginas de éxito/fallo → Pruebas
  3. Tarjetas de prompt:
    • Prompt 1: "Configurar SDK de Stripe, crear endpoint /api/create-payment-intent"
    • Prompt 2: "Construir formulario de pago en React con Stripe Elements"
    • Prompt 3: "Agregar páginas de éxito/fallo de pago con manejo de errores"
    • Prompt 4: "Escribir pruebas para casos límite del flujo de pago"
  4. Presupuesto de contexto: Sesión 1 (Prompt 1-2), Sesión 2 (Prompt 3-4)

Ejemplo 2: Recuperación de contexto

Usuario inicia una nueva sesión: "Estaba trabajando en la página de pago la última vez"

Agente: "Déjame buscar un archivo CONTEXT.md en la raíz del proyecto..."

Si se encuentra: Leerlo y continuar desde donde se quedó. Si no se encuentra: Preguntar "¿Cuál fue lo último que funcionó? ¿Recuerdas las decisiones clave?"

Ejemplo 3: Rescatar a un usuario atascado

Usuario: "Mi prompt está siendo ignorado, la IA sigue desviándose"

Agente: "Tu prompt puede ser demasiado amplio. Déjame ayudarte a reestructurarlo. ¿Qué estás tratando de lograr?"

Recorrer los Pasos 1-3 y producir una tarjeta de prompt única y enfocada.


Referencia: Cuándo usar cada enfoque

El usuario diceEnfoque
"Agregar una página de inicio de sesión"Pequeño → solo hazlo (no necesita descomposición)
"Construir un sitio de comercio electrónico"Grande → usar el marco completo
"Sigue olvidando lo que hicimos"Contexto lleno → generar transferencia CONTEXT.md
"No sé por dónde empezar"Ambiguo → Articulación del Objetivo primero
"Tengo este PR, escribe pruebas"Específico → solo hazlo, sin descomposición
"Mi prompt es muy largo y la IA ignora partes"Inflado → dividir en prompts atómicos

Skills relacionados