Community研究与数据分析github.com

任务分解器

帮助开发者将复杂请求分解为结构化、AI 友好的任务序列,优化上下文窗口使用,管理多会话工作流,用更少、更专注的提示获得更优结果。兼容 opencode、Claude Code、Cursor、Windsurf 和 GitHub Copilot。

任务分解器 是什么?

任务分解器(Task Decomposer)是一项 AI 智能体技能,旨在帮助开发者破解复杂需求,将其转化为结构化、依赖关系清晰的原子任务卡片。它专门针对大型项目或模糊需求设计的“计划→切片→提示→验证→下一步”框架,通过目标澄清、依赖映射、原子提示生成、上下文预算规划和执行排序五个步骤,有效避免上下文窗口溢出和任务注意力分散。该技能支持多种主流 AI 编码工具(如 Claude Code、Cursor、Windsurf 等),并提供跨会话的 CONTEXT.md 上下文传递机制,确保多会话工作流中的状态一致性和高效迭代。对于开发者而言,使用此技能可以显著减少重复沟通成本、提升 AI 输出的准确性和完整性,将模糊想法逐步演化为可执行的精确指令。

兼容平台✓Claude Code~Codex CLI✓Cursor✓OpenCode✓Windsurf
npx skills add sametcelikbicak/task-decomposer

Installed? Explore more 研究与数据分析 skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

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

  1. 不要立即开始实现
  2. 相反,用目标阐明问题(步骤 1)回复
  3. 一旦目标明确,呈现依赖映射供确认
  4. 用户批准后,生成带有提示卡片的执行计划
  5. 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:

  1. 将决策和状态总结到一份 CONTEXT.md 中
  2. 建议用户开始一个新会话
  3. 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:

  1. 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?”
  2. 依赖映射:Stripe 设置 → 结账 API → 支付表单 UI → 成功/失败页面 → 测试
  3. 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”
  4. 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

相关技能