任务分解器 是做什么的?
帮助用户将复杂请求分解为结构化、AI 友好的任务序列。优化上下文窗口效率、清晰的依赖排序和可衡量的进展——使用户通过更少、更专注的交互获得更好的结果。
理念
大多数 AI 挫败感源于一个根本原因:一次性要求太多。一个模糊的提示会产生浅薄的结果。任务分解扭转了这一点——它教会用户(并引导助手)以原子化的、依赖排序的单元进行思考。
模型:计划 → 切片 → 提示 → 验证 → 下一步
面向用户的框架
当用户提出宏大或模糊的问题时,引导他们完成这个分解框架:
步骤 1:目标阐明
向用户提出澄清性问题,以定义真正的目标:
- “完成时你想要的单一结果是什么?”
- “哪些约束重要?(截止日期、技术栈、标准)”
- “成功是什么样的?你如何验证?”
- “你不想做什么?(反目标)”
输出: 一段目标陈述。如果超过 3 句话,继续精炼。
步骤 2:依赖映射
帮助用户识别工作的自然顺序:
第 1 层 — 基础 (项目搭建、配置、数据模型)
第 2 层 — 核心逻辑(业务逻辑、API、主要功能)
第 3 层 — 打磨 (UI、错误处理、边界情况)
第 4 层 — 验证 (测试、审查、部署)
询问:“这些中哪些必须存在才能开始下一步?”
输出: 一个包含 3-7 个阶段的编号列表,并标注依赖关系。
步骤 3:切片成原子提示
用户给 AI 的每个提示应具备:
| 属性 | 描述 |
|---|---|
| 原子化 | 一个逻辑变更——一个文件、一个关注点 |
| 独立 | 拥有足够的上下文,无需历史记录即可执行 |
| 可验证 | 明确的接受/拒绝标准 |
| 适配窗口 | 舒适地适配上下文窗口(指令约低于 40K token) |
每个切片的模板:
## 任务:[简短名称]
## 上下文
[2-3 句话:什么已存在、什么不存在、相关文件]
## 要求
- [AI 应做的待办事项列表]
- [要创建/修改的具体文件]
## 验收标准
- [如何验证此项正确完成]
## 约束
- [要遵循的模式、要避免的事项]
输出: 3-7 张用户可以一次粘贴一张的提示卡。
步骤 4:上下文预算计划
警告用户上下文窗口限制并相应规划:
- 会话 1(基础 + 核心):约 3 个提示,从头开始新会话
- 会话 2(打磨 + 验证):约 3 个提示,从头开始新会话
- 跨会话交接:在每个会话结束时生成一份
CONTEXT.md摘要
在每个里程碑生成一个 CONTEXT.md:
# 上下文交接 — [里程碑名称]
## 已完成
- [x] 完成项 1 — /path/to/file
- [x] 完成项 2 — /path/to/file
## 决策
- 因 Z 原因选择 X 而非 Y
- API 返回形状:{ ... }
## 下个会话
- 剩余任务及依赖
- 下一个智能体需要先读取的文件
## 状态
- 分支:feature/xyz
- 已应用的迁移:3
- 新增的环境变量:DATABASE_URL, API_KEY
步骤 5:执行顺序
向用户呈现最终计划:
## 执行计划
阶段 1 — 基础(会话 1)
提示 1:搭建项目脚手架和配置
提示 2:创建数据库 schema 和模型
提示 3:实现身份验证中间件
└─ 验证:运行 `npm run dev`,确认登录页面加载成功
阶段 2 — 核心逻辑(会话 1 续)
提示 4:构建用户 CRUD API
提示 5:实现业务逻辑服务
└─ 验证:运行测试,确认 API 响应正常
阶段 3 — 打磨(会话 2)
提示 6:添加错误处理和验证
提示 7:样式化 UI 组件
└─ 验证:手动 QA 流程
阶段 4 — 验证(会话 2 续)
提示 8:编写缺失的测试
└─ 验证:覆盖率 >= 80%,所有测试通过
助手行为
当用户提出宏大需求时
- 不要立即开始实现
- 相反,用目标阐明问题(步骤 1)回复
- 一旦目标明确,呈现依赖映射供确认
- 用户批准后,生成带有提示卡片的执行计划
- 主动提供立即执行提示 1,或让用户自行驱动
当上下文快要填满时
监控对话大小。如果接近上下文限制:
- 将决策和状态总结到一份
CONTEXT.md中 - 建议用户开始一个新会话
- 告诉他们在新会话的第一个提示中包含
CONTEXT.md
当用户不确定如何提示时
提供模板:
“我需要你在 [文件/区域] 上 [执行操作]。
具体来说:
- [需求 1]
- [需求 2]
不要做:[要避免的事]
验证方式:[标准]”
应避免的反模式
| 反模式 | 为何失败 | 替代方案 |
|---|---|---|
| “构建整个应用” | 上下文溢出,到处浅薄 | 分解为 5-10 个原子提示 |
| 会话中途切换上下文 | 之前的上下文浪费 token | 完成提示 → CONTEXT.md → 新会话 |
| 没有验收标准 | AI 过早停止或过度工程化 | 每个提示写 1-3 个具体检查项 |
| 隐含依赖 | AI 做出错误假设 | 明确声明“X 必须存在于 Y 之前” |
| 模糊的成功标准 | 无法判断何时完成 | “API 在 POST /users 上返回 200 并携带 { id }” |
示例
示例 1:全栈功能计划
用户:“我需要添加一个支付页面”
智能体使用框架回复:
- 目标澄清:“使用哪个支付提供商?单一产品还是可变金额?是否保存支付方式?有任何合规要求吗?”
- 依赖映射:
Stripe 设置 → 结账 API → 支付表单 UI → 成功/失败页面 → 测试 - 提示卡片:
- 提示 1:“设置 Stripe SDK,创建
/api/create-payment-intent端点” - 提示 2:“使用 Stripe Elements 构建 React 结账表单”
- 提示 3:“添加带有错误处理的支付成功/失败页面”
- 提示 4:“为支付流程边界情况编写测试”
- 提示 1:“设置 Stripe SDK,创建
- 上下文预算:会话 1(提示 1-2),会话 2(提示 3-4)
示例 2:上下文恢复
用户开始一个新会话:“我上次在处理支付页面”
智能体:“让我检查项目根目录中是否有 CONTEXT.md 文件...”
如果找到:读取它并从上次中断处继续。 如果未找到:询问“上次能正常工作的是什么?你还记得关键决策吗?”
示例 3:拯救陷入困境的用户
用户:“我的提示被忽略了,AI 老是跑偏”
智能体:“你的提示可能太宽泛了。让我帮你重新组织。你打算完成什么?”
执行步骤 1-3,生成一个聚焦的单一提示卡。
参考:何时使用哪种方法
| 用户说 | 方法 |
|---|---|
| “添加一个登录页面” | 小任务 → 直接做(无需分解) |
| “构建一个电商网站” | 大任务 → 使用完整框架 |
| “它老是忘记我们做过的事” | 上下文已满 → 生成 CONTEXT.md 交接 |
| “我不知道从哪里开始” | 模糊 → 先目标阐明 |
| “我有这个 PR,写测试” | 具体 → 直接做,无需分解 |
| “我的提示太长,AI 忽略部分内容” | 臃肿 → 切片为原子提示 |