CommunityPesquisa e Análise de Dadosgithub.com

sametcelikbicak/task-decomposer

Uma habilidade de agente de IA que ajuda desenvolvedores a decompor solicitações complexas em sequências de tarefas estruturadas e amigáveis para IA. Otimiza o uso da janela de contexto, gerencia fluxos de trabalho em várias sessões e produz melhores resultados a partir de prompts mais focados e em menor quantidade. Compatível com opencode, Claude Code, Cursor, Windsurf e GitHub Copilot.

O que é task-decomposer?

O Task Decomposer é uma habilidade para agentes de IA que ensina o assistente (e o usuário) a dividir solicitações grandes e vagas em sequências de tarefas atômicas, ordenadas por dependências e prontas para prompt. Inspirado no ciclo Plan → Slice → Prompt → Verify → Next, ele resolve a causa raiz da frustração com IAs: pedir muitas coisas de uma vez. A habilidade fornece um framework completo de cinco passos, desde a articulação do objetivo até a criação de 'cartões de prompt' e planos de orçamento de contexto, incluindo geração automática de CONTEXT.md para transferência entre sessões. É compatível com ferramentas como opencode, Claude Code, Cursor, Windsurf e GitHub Copilot, ajudando o desenvolvedor a obter respostas mais profundas e consistentes, evitando estouro de janela de contexto, mudanças de contexto no meio da sessão e critérios de aceitação vagos.

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

Installed? Explore more Pesquisa e Análise de Dados skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

Task Decomposer

Ajude usuários a decompor solicitações complexas em sequências de tarefas estruturadas e amigáveis para IA. Otimiza a eficiência da janela de contexto, ordenação clara de dependências e progresso mensurável — para que o usuário obtenha melhores resultados a partir de interações mais focadas e em menor quantidade.

Filosofia

Grande parte da frustração com IA vem de uma causa raiz: pedir muitas coisas de uma vez. Um único prompt vago produz um resultado superficial. A decomposição de tarefas reverte isso — ela ensina os usuários (e guia o assistente) a pensar em unidades atômicas e ordenadas por dependência.

O modelo: Planejar → Fatiar → Prompt → Verificar → Próximo


Framework Voltado ao Usuário

Quando um usuário disser algo grande ou vago, guie-o por este framework de decomposição:

Passo 1: Articulação do Objetivo

Faça perguntas esclarecedoras ao usuário para definir o verdadeiro objetivo:

  • "Qual é o único resultado que você deseja quando isso estiver pronto?"
  • "Quais restrições são importantes? (prazos, stack tecnológica, padrões)"
  • "Como é o sucesso? Como você vai verificar?"
  • "O que você não está tentando fazer? (anti-objetivos)"

Saída: Uma declaração de objetivo em um parágrafo. Se levar mais de 3 frases, continue refinando.

Passo 2: Mapa de Dependências

Ajude o usuário a identificar a ordem natural do trabalho:

Nível 1 — Fundação   (configuração, setup, modelo de dados)
Nível 2 — Lógica Central   (lógica de negócio, API, funcionalidade principal)
Nível 3 — Polimento       (UI, tratamento de erros, casos extremos)
Nível 4 — Verificação      (testes, revisão, deploy)

Pergunte: "Qual destes precisa existir antes que o próximo possa começar?"

Saída: Uma lista numerada de 3 a 7 fases com dependências marcadas.

Passo 3: Fatiar em Prompts Atômicos

Cada prompt que o usuário dará à IA deve ser:

PropriedadeDescrição
AtômicoUma mudança lógica — um arquivo, uma preocupação
AutossuficientePossui contexto suficiente para executar sem histórico
VerificávelCritérios claros de aceitação/rejeição
Ajustado à janelaCabe confortavelmente na janela de contexto (abaixo de ~40K tokens de instrução)

Template para cada fatia:

## Tarefa: [nome curto]
## Contexto
[2-3 frases: o que existe, o que não existe, arquivos relevantes]
## Requisitos
- [lista de marcadores do que a IA deve fazer]
- [arquivos específicos para criar/modificar]
## Critérios de Aceitação
- [como verificar se isso foi feito corretamente]
## Restrições
- [padrões a seguir, coisas a evitar]

Saída: 3 a 7 cartões de prompt que o usuário pode colar um de cada vez.

Passo 4: Plano de Orçamento de Contexto

Avise o usuário sobre os limites da janela de contexto e planeje de acordo:

  • Sessão 1 (Fundação + Lógica Central): ~3 prompts, comece do zero
  • Sessão 2 (Polimento + Verificação): ~3 prompts, comece do zero
  • Transferência entre sessões: Termine cada sessão com um resumo em CONTEXT.md

Gere um CONTEXT.md a cada marco:

# Transferência de Contexto — [Nome do Marco]

## Concluído
- [x] Item concluído 1 — /caminho/para/arquivo
- [x] Item concluído 2 — /caminho/para/arquivo

## Decisões
- Escolhemos X em vez de Y porque Z
- A API retorna a forma: { ... }

## Próxima sessão
- Tarefas restantes com dependências
- Arquivos que o próximo agente precisa ler primeiro

## Estado
- Branch: feature/xyz
- Migrations aplicadas: 3
- Variáveis de ambiente adicionadas: DATABASE_URL, API_KEY

Passo 5: Ordem de Execução

Apresente o plano final ao usuário:

## Plano de Execução

Fase 1 — Fundação (Sessão 1)
  Prompt 1: Configurar scaffolding do projeto e configurações
  Prompt 2: Criar esquema de banco de dados e models
  Prompt 3: Implementar middleware de autenticação
  └─ Verificar: execute `npm run dev`, confirme que a página de login carrega

Fase 2 — Lógica Central (continuação da Sessão 1)
  Prompt 4: Construir CRUD de usuários na API
  Prompt 5: Implementar serviço de lógica de negócio
  └─ Verificar: execute testes, confirme que a API responde

Fase 3 — Polimento (Sessão 2)
  Prompt 6: Adicionar tratamento de erros e validação
  Prompt 7: Estilizar componentes de UI
  └─ Verificar: fluxo de QA manual

Fase 4 — Verificação (continuação da Sessão 2)
  Prompt 8: Escrever testes faltantes
  └─ Verificar: cobertura >= 80%, todos os testes passam

Comportamento do Assistente

Quando o usuário pede algo grande

  1. NÃO comece a implementar imediatamente
  2. Em vez disso, responda com as perguntas de Articulação do Objetivo (Passo 1)
  3. Assim que o objetivo estiver claro, apresente um Mapa de Dependências para confirmação
  4. Após a aprovação do usuário, gere o Plano de Execução com cartões de prompt
  5. Ofereça-se para executar o Prompt 1 imediatamente, ou deixe o usuário conduzir

Quando o contexto está cheio

Monitore o tamanho da conversa. Se estiver se aproximando dos limites de contexto:

  1. Resuma decisões e estado em um CONTEXT.md
  2. Avise o usuário para iniciar uma nova sessão
  3. Diga para ele incluir o CONTEXT.md no primeiro prompt da nova sessão

Quando o usuário não sabe como criar um prompt

Ofereça templates:

"Preciso que você [ação] em [arquivo/área]. 
Especificamente:
- [requisito 1]
- [requisito 2]
Não faça: [o que evitar]
Verifique por: [critério]"

Anti-Padrões a Evitar

Anti-padrãoPor que falhaEm vez disso
"Construa o app inteiro"Estouro de contexto, superficialidade em tudoDecomponha em 5 a 10 prompts atômicos
Mudança de contexto no meio da sessãoContexto anterior desperdiça tokensTermine o prompt → CONTEXT.md → nova sessão
Ausência de critérios de aceitaçãoIA para cedo ou complica demaisEscreva 1 a 3 verificações específicas por prompt
Dependências implícitasIA faz suposições erradasDeclare "X deve existir antes de Y" explicitamente
Critérios de sucesso vagosNão é possível saber quando está pronto"API retorna 200 com { id } em POST /users"

Exemplos

Exemplo 1: Plano de funcionalidade full-stack

Usuário: "Preciso adicionar uma página de pagamento"

Resposta do agente usando o framework:

  1. Esclarecimento do objetivo: "Qual provedor de pagamento? Produto único ou valores variáveis? Salvar métodos de pagamento? Algum requisito de conformidade?"
  2. Mapa de Dependências: Configurar Stripe → API de Checkout → UI do formulário de pagamento → Páginas de sucesso/falha → Testes
  3. Cartões de prompt:
    • Prompt 1: "Configurar SDK do Stripe, criar endpoint /api/create-payment-intent"
    • Prompt 2: "Construir formulário React de checkout com Stripe Elements"
    • Prompt 3: "Adicionar páginas de sucesso/falha no pagamento com tratamento de erros"
    • Prompt 4: "Escrever testes para casos extremos do fluxo de pagamento"
  4. Orçamento de contexto: Sessão 1 (Prompts 1-2), Sessão 2 (Prompts 3-4)

Exemplo 2: Recuperação de contexto

Usuário inicia uma nova sessão: "Eu estava trabalhando na página de pagamento da última vez"

Agente: "Deixe-me verificar se existe um arquivo CONTEXT.md na raiz do projeto..."

Se encontrado: Leia e continue de onde parou. Se não encontrado: Pergunte "Qual foi a última coisa que estava funcionando? Você lembra das principais decisões?"

Exemplo 3: Resgatando um usuário travado

Usuário: "Meu prompt está sendo ignorado, a IA continua saindo do assunto"

Agente: "Seu prompt pode estar muito amplo. Deixe-me ajudar a reestruturá-lo. O que você está tentando realizar?"

Percorra os Passos 1 a 3 e produza um cartão de prompt único e focado.


Referência: Quando usar cada abordagem

Usuário dizAbordagem
"Adicione uma página de login"Pequeno → apenas faça (sem decomposição necessária)
"Construa um site de e-commerce"Grande → use o framework completo
"Ele continua esquecendo o que fizemos"Contexto cheio → gere transferência CONTEXT.md
"Não sei por onde começar"Ambíguo → Articulação do Objetivo primeiro
"Tenho este PR, escreva testes"Específico → apenas faça, sem decomposição
"Meu prompt é muito longo e a IA ignora partes"Inchaço → fatie em prompts atômicos

Habilidades Relacionadas