Day 16｜智能体任务分解（Task Decomposition）

让智能体具备“规划能力”的核心工程技巧。
在所有大模型应用中，你会看到一个共性：

真正强大的 智能体 ，不是生成内容，而是生成“计划”。 只有会拆任务的 Agent，才能真正完成复杂目标。

换句话说：

• Prompt 只能解决“做一件事”
• 工具链解决“靠工具行动”
• 状态机与工作流解决“按流程行动”
• 但真正强的 Agent，是能自动制定流程

今天这篇文章，你会学会：

• 为什么智能体必须具备任务分解能力？
• 任务分解的三层级模型
• 四种主流 Task Decomposition 技术
• 如何让 Agent 拆出可执行的工具链任务
• 如何避免“模型乱拆任务”
• 如何为复杂、模糊的任务制定计划
• 一个可直接复用的「Task Planner（任务规划器）」
• 可直接复制的 Prompt 模板

阅读完这一篇，你的 Agent 会从：

“执行命令” → 升级成 → “能自己规划整套流程”

这是 Devin、AutoGPT、OpenAI Swarm 等系统的核心能力。

01｜为什么智能体必须具备“任务分解”？

举个例子：

如果你让大模型“写一篇文章”，它可能直接开始写。

但你真正想要的是一种结构化流程：

1. 分析主题
2. 搜集信息
3. 设计逻辑结构
4. 生成文章骨架
5. 按模块扩写
6. 自检&纠错
7. 格式化
8. 产出最终内容

大模型本身不会形成这套流程。

它天生偏向：

• 一步到位
• 省略步骤
• 逻辑跳跃
• 执行不连贯
• 忘记目标

这就是为什么：

任何工业级智能体系统：都必须内建 Task Planner。

你可以把它类比成“前端的路由器”：

• 工作流 = 路由规则
• 工具库 = 控制器（Controller）
• Task Planner = 生成整个页面的页面模板（layout）

它决定了下面所有动作的结构。

02｜任务分解的 3 个层级（非常重要）

智能体领域的 Task Decomposition 不止一种，你必须区分三层表征。

① 语义层（Semantic Decomposition）

把任务拆成“理解层”的语义步骤。

例如：“写一篇文章” →

理解需求 → 明确受众 → 明确风格

这是对任务的抽象，不是可执行步骤。

② 操作层（Operational Decomposition）

拆解成可执行动作：

生成大纲 → 扩写 → 校对 → 格式化

这是 AI 最常见的任务分解方式，但仍未绑定工具。

③ 执行层（Executable Decomposition）

拆解成可操作的“工具 + 状态 + 输入”：

使用 generate_outline(tool) → 输入文章主题 → 返回大纲  
使用 expand_section(tool) → 输入小节标题 → 返回正文  
使用 grammar_check(tool) → 输入全文 → 返回修改文本

这一层才是：

• AutoGPT 的真实本质
• Devin 的真正能力
• LangChain Agent 的底层逻辑

很多人以为“模型列步骤”就是 Task Planning，这是误解。 真正的 Task Planning = 工程级拆解 + 可执行行动序列。

03｜智能体任务分解的 4 种主流技术

现代 LLM 智能体里，Task Decomposition 大致分为四类。

我会给你每一种的：

• 定义
• 优点
• 缺点
• 适用场景
• Prompt 模板（可直接复制）

① Zero-shot Planning（零样本规划）

一句话：让模型直接生成计划。

示例：

“帮我写一篇文章，给出详细执行步骤。”

优点：

• 快
• 简单
• 成本低

缺点：

• 不稳定
• 步骤可能跳跃
• 内容不完整

适用：

• 简单任务
• 小自动化任务

Prompt：

请把任务拆解成可执行的步骤，每一步只做一件明确的事。
必须输出：
- 步骤编号
- 动作描述
- 输入
- 输出
- 依赖关系

② ReAct Planning（推理 + 行动 + 状态更新）

ReAct = Reasoning + Acting。

步骤：

1. 模型推理下一步要做什么
2. 调用工具
3. 从环境获取反馈
4. 继续拆下一步

优点：

• 灵活
• 每一步基于上一状态
• 可动态调整

缺点：

• 成本较高
• 长任务容易烂尾

适用：

• 需要尝试与迭代的任务
• 搜索类任务

③ XML / JSON Schema Planning（结构化规划）

这一类是工程师最常用的：

TaskPlan = {"steps": [
    {"name": "analyze", "action": "parse_req"},
    {"name": "outline", "action": "generate_outline"},
    ...
  ]
}

优点：

• 可控
• 稳定
• 可被程序解析
• 可对接工作流引擎、状态机

缺点：

• 模板设计需要经验

适用：

• 内容生成
• 作业流自动化
• 企业场景智能体
• 多 Agent 协作

④ Few-shot Planning（示例驱动规划）

通过提供示例让模型模仿“如何拆任务”。

优点：

• 稳定
• 步骤结构清晰
• 执行可控

缺点：

• 需要积累示例
• 例子不同可能导致泛化不一致

适用：

• 复杂流程
• 结构明确的任务
• 跨领域规划

总结：真正商业级智能体一定使用结构化规划（③） + ReAct（②）。

04｜如何让模型拆出“能执行”的任务？（关键方法）

你必须让模型遵守 4 条规则：

① 一步只做一件事（Atomic Action）

原本模型会给：

先生成大纲，再扩写，再校对。

这个是 不可执行 的。

必须拆成：

step 1: generate_outline  
step 2: expand_outline  
step 3: grammar_check  

② 输出必须是机器可读（Machine-readable）

禁止：

步骤如下：
1. 做 A
2. 做 B

必须：

{
  "steps":[
    {"id":"out", "tool":"generate_outline", "input":"主题"},
    {"id":"exp", "tool":"expand_section", "input":"大纲"}
  ]
}

③ 步骤之间必须有依赖关系

例：

MERGE 依赖全部 EXPAND
REVIEW 依赖 MERGE
POLISH 依赖 REVIEW

不然模型会乱执行。

④ 必须能对接状态机（Day 15 的内容）

所以 Planner 输出的结构要满足：

state = step.name
action = step.tool
next-state = step.next

智能体才能执行。

05｜通用 Task Planner

这段 Prompt 是工程师最常用的任务分解模块。

🔥 Task Planner Prompt（完整版）

你是任务规划器（Task Planner）。你不执行任务，你只制定计划。
规则：
1. 把任务拆成多个“可执行步骤”，每一步是原子动作，只能做一件事。
2. 每一步必须绑定到一个 tool（工具），不能出现无法执行的描述。
3. 你必须输出 JSON 格式的计划，用于机器读取。
4. 每个步骤必须包含：
   - id：步骤标识
   - action：要执行的工具名
   - input：工具的输入
   - output：本步骤的产物
   - next：下一个步骤（或多个）
   - retry：错误重试策略
5. 步骤之间必须有明确的依赖关系。
6. 禁止写多余自然语言，禁止解释。
示例输出格式：
{"steps":[
   {"id":"outline","action":"generate_outline","input":"用户主题","output":"文章大纲","next":["expand"]
   },
   {"id":"expand","action":"expand_outline","input":"文章大纲","output":"多段正文","next":["review"]
   },
   ...
 ]
}
请根据用户任务生成完整计划。

这是一个工业级 Prompt，已经在商业项目和开源 Agent 中验证过。

06｜任务分解实战示例

用户输入：

“写一篇关于 RAG 最佳实践的文章”

Task Planner 输出（简化版）：

{
 "steps":[
   {
     "id":"analyze",
     "action":"parse_requirement",
     "input":"写一篇关于 RAG 的文章",
     "output":"需求结构化",
     "next":["outline"]
   },
   {
     "id":"outline",
     "action":"generate_outline",
     "input":"需求结构化",
     "output":"文章大纲",
     "next":["expand"]
   },
   {
     "id":"expand",
     "action":"expand_sections",
     "input":"文章大纲",
     "output":"全文初稿",
     "next":["review"]
   },
   {
     "id":"review",
     "action":"review_content",
     "input":"全文初稿",
     "output":"审稿报告",
     "next":["polish"]
   },
   {
     "id":"polish",
     "action":"polish_text",
     "input":"全文+审稿意见",
     "output":"最终版文章",
     "next":["done"]
   }
 ]
}

07｜让智能体“可恢复”的关键：任务树（Task Tree）

为了让任务中断后恢复，你必须记录：

• 当前执行步骤
• 完成了哪些步骤
• 失败了几次
• 输入与输出

一个典型 Task Tree 如下：

ROOT
 ├─ analyze
 ├─ outline
 ├─ expand
 │    ├─ section_1
 │    ├─ section_2
 │    ├─ section_3
 ├─ merge
 ├─ review
 └─ polish

这是 Devin / AutoGPT 的底层结构之一。

08｜总结：核心结论

任务分解是智能体工程的“灵魂层”。

你今天学到：

• 任务分解的三层级：语义 → 操作 → 可执行
• Task Planning 的四大方法
• 工程级任务规划的结构化表示
• 如何让规划输出能直接接入工作流
• 工程师用的 Task Planner Prompt
• 如何实现可恢复的任务树
• 一个内容生成案例（可复用）

从今天开始，你的智能体已经不仅能“做事”，还能“规划事情”。