Community研究與資料分析github.com

sametcelikbicak/task-decomposer

一個 AI 代理技能,幫助開發者將複雜請求分解為結構化、AI 友善的任務序列。最佳化上下文視窗使用、管理多工作階段工作流程,並透過更少、更聚焦的提示產出更好的結果。相容於 opencode、Claude Code、Cursor、Windsurf 和 GitHub Copilot。

task-decomposer 是什麼?

Task Decomposer 是一項專為 AI 代理設計的技能,旨在解決開發者因單一模糊提示而導致輸出結果淺薄的核心痛點。其核心理念是「要求過多」是 AI 回覆不佳的主因,因此它引導用戶和 AI 助理遵循「計畫 → 切片 → 提示 → 驗證 → 下一步」的模型,將大型請求分解成原子化、具備依賴關係順序的任務單元。該技能提供了完整的五步驟框架:從目標闡述、依賴關係圖繪製、到將任務切片成獨立的提示卡、規劃上下文預算(含 CONTEXT.md 交接檔案),最後產生可執行的執行計畫。它特別強調每個提示卡必須是原子性、獨立可執行、具備驗收標準且能在上下文視窗內舒適容納(低於約 4 萬 token)。該技能支援包括 opencode、Claude Code、Cursor、Windsurf 和 GitHub Copilot 在內的主流 AI 編碼平台,並內建了對話狀態管理機制,可在上下文接近限制時自動產生交接摘要,確保跨工作階段的連續性。

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

Installed? Explore more 研究與資料分析 skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

在你喜歡的 AI 中提問

開啟一個已預先載入此 Agent Skill 的新對話。

說明文件

Task Decomposer

幫助用戶將複雜請求分解為結構化、AI 友善的任務序列。最佳化上下文視窗效率、清晰的依賴順序以及可衡量的進展 — 讓用戶透過更少、更聚焦的互動獲得更好的結果。

哲學

大多數 AI 挫折感來自一個根本原因:一次要求太多。單一模糊的提示會產生淺層的結果。任務分解扭轉了這一點 — 它教導用戶(並引導助理)以原子化、依賴順序的單元來思考。

模型:計畫 → 切片 → 提示 → 驗證 → 下一步


用戶面向框架

當用戶提出龐大或模糊的需求時,引導他們通過這個分解框架:

第一步:目標闡述

向用戶提問釐清問題,以定義真正的目標:

  • 「完成這件事時,你期望的單一成果是什麼?」
  • 「有哪些限制條件?(截止日期、技術棧、標準)」
  • 「成功長什麼樣子?你將如何驗證它?」
  • 「你不打算做什麼?(反目標)」

輸出: 一段目標陳述。如果需要超過 3 句話,請繼續精煉。

第二步:依賴關係圖

幫助用戶識別工作的自然順序:

第 1 層 — 基礎建設(設定、配置、資料模型)
第 2 層 — 核心邏輯(商業邏輯、API、主要功能)
第 3 層 — 打磨(UI、錯誤處理、邊界情況)
第 4 層 — 驗證(測試、審查、部署)

提問:「這些項目中,哪些必須在下一項開始之前存在?」

輸出: 一個帶有依賴標記的 3-7 個階段的編號清單。

第三步:切片成原子提示

用戶將提供給 AI 的每個提示都應符合:

屬性說明
原子性一個邏輯變更 — 一個檔案、一個關注點
獨立性有足夠的上下文可執行,無需歷史紀錄
可驗證性明確的接受/拒絕標準
視窗適配舒適地容納在上下文視窗內(低於約 4 萬個 token 的指令)

每個切片的模板:

## 任務:[簡短名稱]
## 上下文
[2-3 句話:什麼已存在、什麼不存在、相關檔案]
## 需求
- [AI 應做的事項清單]
- [要建立/修改的特定檔案]
## 驗收標準
- [如何驗證此事已正確完成]
## 限制條件
- [要遵循的模式,要避免的事項]

輸出: 3-7 張提示卡,用戶可以一次貼上一張。

第四步:上下文預算計畫

警告用戶關於上下文視窗的限制,並相應地規劃:

  • 工作階段 1(基礎建設 + 核心):約 3 個提示,重新開始
  • 工作階段 2(打磨 + 驗證):約 3 個提示,重新開始
  • 跨工作階段交接:在每個工作階段結束時產生一個 CONTEXT.md 摘要

在每個里程碑產生一個 CONTEXT.md:

# 上下文交接 — [里程碑名稱]

## 已完成
- [x] 已完成項目 1 — /path/to/file
- [x] 已完成項目 2 — /path/to/file

## 決策
- 選擇 X 而非 Y,因為 Z
- API 回傳形狀:{ ... }

## 下個工作階段
- 剩餘的任務及其依賴關係
- 下一個代理需要先讀取的檔案

## 狀態
- 分支:feature/xyz
- 已執行遷移:3
- 已新增環境變數:DATABASE_URL, API_KEY

第五步:執行順序

向用戶呈現最終計畫:

## 執行計畫

第 1 階段 — 基礎建設(工作階段 1)
  提示 1:建立專案支架和配置
  提示 2:建立資料庫 schema 和模型
  提示 3:實作身份驗證中介軟體
  └─ 驗證:執行 `npm run dev`,確認登入頁面載入

第 2 階段 — 核心邏輯(工作階段 1 續)
  提示 4:建立使用者 CRUD API
  提示 5:實作商業邏輯服務
  └─ 驗證:執行測試,確認 API 有回應

第 3 階段 — 打磨(工作階段 2)
  提示 6:加入錯誤處理和驗證
  提示 7:設定 UI 元件樣式
  └─ 驗證:手動 QA 流程

第 4 階段 — 驗證(工作階段 2 續)
  提示 8:撰寫遺漏的測試
  └─ 驗證:覆蓋率 >= 80%,所有測試通過

助理行為

當用戶詢問大型事項時

  1. 不要立即開始實作
  2. 相反地,使用目標闡述問題來回應(第一步)
  3. 一旦目標明確,呈現依賴關係圖以供確認
  4. 用戶批准後,產生包含提示卡的執行計畫
  5. 提議立即執行提示 1,或讓用戶主導

當上下文快滿時

監控對話大小。如果接近上下文限制:

  1. 將決策和狀態摘要到一個 CONTEXT.md 中
  2. 建議用戶開始一個新的工作階段
  3. 告訴他們在新的工作階段的首次提示中包含 CONTEXT.md

當用戶不確定如何下提示時

提供模板:

「我需要你在 [檔案/區域] 上 [動作]。
具體來說:
- [需求 1]
- [需求 2]
不要:[要避免的事項]
驗證方式:[標準]」

應避免的反模式

反模式為何失敗替代方案
「建立整個應用程式」上下文溢出,處處淺層分解成 5-10 個原子提示
工作階段中切換上下文先前的上下文浪費 tokens完成提示 → CONTEXT.md → 新工作階段
沒有驗收標準AI 過早停止或過度設計每個提示撰寫 1-3 個具體檢查點
隱含的依賴關係AI 做出錯誤假設明確說明「X 必須在 Y 之前存在」
模糊的成功標準無法判斷何時完成「API 在 POST /users 時回傳 200 及 { id }」

範例

範例 1:全端功能計畫

用戶:「我需要加入一個付款頁面」

代理使用框架回應:

  1. 目標釐清:「使用哪個付款提供商?單一商品還是金額可變?儲存付款方式?有任何合規要求嗎?」
  2. 依賴關係圖:Stripe 設定 → 結帳 API → 付款表單 UI → 成功/失敗頁面 → 測試
  3. 提示卡:
    • 提示 1:「設定 Stripe SDK,建立 /api/create-payment-intent 端點」
    • 提示 2:「使用 Stripe Elements 建立 React 結帳表單」
    • 提示 3:「加入含錯誤處理的付款成功/失敗頁面」
    • 提示 4:「撰寫付款流程邊界情況的測試」
  4. 上下文預算:工作階段 1(提示 1-2),工作階段 2(提示 3-4)

範例 2:上下文恢復

用戶開始一個新工作階段:「我上次在處理付款頁面」

代理:「讓我在專案根目錄中檢查是否有 CONTEXT.md 檔案...」

如果找到:讀取它並從中斷處繼續。 如果找不到:詢問「最後一個正常運作的是什麼?你還記得關鍵決策嗎?」

範例 3:拯救卡住的用戶

用戶:「我的提示被忽略了,AI 一直偏離主題」

代理:「你的提示可能太廣泛了。讓我幫你重新建構它。你想完成什麼?」

走過第一步到第三步,並產出一個聚焦的單一提示卡。


參考:何時使用哪種方法

用戶說法方法
「加入一個登入頁面」小型任務 → 直接執行(無需分解)
「建立一個電子商務網站」大型任務 → 使用完整框架
「它一直忘記我們做過什麼」上下文滿了 → 產生 CONTEXT.md 交接
「我不知道從何開始」模糊 → 先進行目標闡述
「我有這個 PR,撰寫測試」具體 → 直接執行,無需分解
「我的提示太長了,AI 忽略部分內容」臃腫 → 切片成原子提示

相關技能