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:
| Propiedad | Descripción |
|---|---|
| Atómico | Un cambio lógico: un archivo, un tema |
| Independiente | Tiene suficiente contexto para ejecutarse sin historial |
| Verificable | Criterios claros de aceptación/rechazo |
| Cabe en la ventana | Encaja 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
- NO empezar a implementar inmediatamente
- En su lugar, responder con las preguntas de Articulación del Objetivo (Paso 1)
- Una vez que el objetivo esté claro, presentar un Mapa de Dependencias para confirmación
- Después de la aprobación del usuario, generar el Plan de Ejecución con tarjetas de prompt
- 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:
- Resumir decisiones y estado en un
CONTEXT.md - Aconsejar al usuario iniciar una nueva sesión
- Decirle que incluya el
CONTEXT.mden 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-patrón | Por qué falla | En su lugar |
|---|---|---|
| "Construye toda la aplicación" | Desbordamiento de contexto, superficial en todas partes | Descomponer en 5-10 prompts atómicos |
| Cambio de contexto a mitad de sesión | El contexto anterior desperdicia tokens | Terminar prompt → CONTEXT.md → nueva sesión |
| Sin criterios de aceptación | La IA se detiene temprano o sobreingenieriza | Escribir 1-3 verificaciones específicas por prompt |
| Dependencias implícitas | La IA hace suposiciones incorrectas | Indicar "X debe existir antes que Y" explícitamente |
| Criterios de éxito vagos | No 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:
- Aclaración del objetivo: "¿Qué proveedor de pagos? ¿Producto único o montos variables? ¿Guardar métodos de pago? ¿Algún requisito de cumplimiento?"
- Mapa de Dependencias:
Configuración de Stripe → API de Checkout → UI del formulario de pago → Páginas de éxito/fallo → Pruebas - 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"
- Prompt 1: "Configurar SDK de Stripe, crear endpoint
- 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 dice | Enfoque |
|---|---|
| "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 |