企业官网建设流程全解析

任务分解（Task Decomposition）是 Agentic AI 工作流中最核心的一项技能。本文基于 agentic-ai 项目（吴恩达老师 DeepLearning.AI Agentic AI 课程的中文翻译与知识整理教程），带你用一套可落地的 7 步方法，把复杂任务拆成 LLM 能轻松执行的清晰工作流步骤。无论你是 LLM 应用新手还是想搭建自动化工作流，这篇 Agentic AI 教程都能帮你快速上手。

一、什么是任务分解？为什么它是 Agentic AI 的第一课

想象一下：你直接让 LLM"写一篇关于 X 的深度研究报告"，它往往只能给出表面化的内容。但如果你是人类，你一定会先列提纲、查资料、写初稿、再修改——任务分解的本质，就是把"人类怎么做"翻译成机器能执行的步骤序列。

核心思想有 4 点：

1. 观察人类行为：如果由人来完成，他会怎么做？
2. 拆解步骤：把整个任务拆成多个独立、清晰的子步骤
3. 评估可行性：每个子步骤能否由 LLM 或某个工具（API、函数调用）完成？
4. 迭代优化：哪一步效果不好，就把它再拆成更小的子步骤

判断经验：步骤越清晰、越标准化，LLM 越擅长；步骤需要"边做边想"，就越需要规划能力。来源：1.5 Agentic AI应用

二、7 步任务分解法：复杂工作流的拆解清单

以下 7 个步骤，是把任意复杂工作流拆成 LLM 可执行任务的完整方法论。

Step 1：定义任务目标（明确输入与输出）

先写清楚：输入是什么？期望输出是什么？例如"回复客户关于发错货的投诉邮件"，输入是邮件文本，输出是一封可发送的回复。目标模糊，拆解必然跑偏。

Step 2：以人类视角模拟流程

问自己："如果我坐在客服工位上，我会按什么顺序做这件事？" 这一步能帮你发现被忽略的隐含步骤（比如"先核实订单"）。

Step 3：先拆成 3~5 个粗粒度步骤

不要一上来追求完美。比如回复客户邮件可拆为：

• 提取关键信息（姓名、订单号、问题描述）
• 查找相关客户记录（查询订单数据库）
• 撰写并发送回复

Step 4：评估每一步的可行性

对每个步骤自问："这一步能否由 LLM 或我手边的某个工具完成？" 例如"提取关键信息"是 LLM 强项；"查询订单数据库"需要 LLM 调用orders database query工具；"发送邮件"需要调用send emailAPI。

Step 5：为每个步骤选定"构件"

所有 Agentic AI 工作流都由两大类构件组成：模型和工具。

Step 6：组装工作流，跑通最小原型

把步骤按顺序串起来，先做 1~3 步的原型验证，再逐步扩展。每个步骤应尽量独立、可复用，方便单独测试与替换。

Step 7：评估输出，迭代细化

观察低质量的输出，找到"卡壳"的步骤，把它继续拆细。比如"撰写并发送回复"效果不佳？可以拆成"起草回复 → 自我检查 → 发送"。这就是课程中反复强调的核心方法论：

当你发现某一步无法由 LLM 或工具完成时，问问自己："作为一个人，我会怎么做？"然后把这个做法拆成机器能执行的子步骤。

完整拆解方法详见：1.6 任务分解-识别工作流程步骤

三、经典案例：写一篇论文，从 1 步进化到 5 步

这是课程中最经典的 Agentic AI 工作流演进案例，完美演示了"拆得越细，效果越好"：

注意第 4、5 步——"考虑哪些部分需要修订""修订草稿"，这正是反思（Reflection）设计模式的雏形，可延伸阅读：2.1 用反思提升任务输出

四、更简单的实例：发票信息提取只需 2 步

任务分解没有固定步数，简单任务就该保持简单。处理 PDF 发票的流程：

1. 查找所需信息：LLM 从文本中识别发送方、地址、到期金额、到期日期
2. 创建并保存数据库条目：LLM 调用update database工具写入数据库

五、进阶：让 LLM 自己规划步骤（Planning 模式）

前面都是开发者手动拆解步骤。而更高级的玩法，是让 LLM 自己决定调用哪些工具、按什么顺序调用——这就是Planning（规划）设计模式。

以客服 Agent 为例：客户问"你们有没有库存中售价低于 100 美元的圆形太阳眼镜？"，开发者只需提供 6 个工具（get_item_descriptions、check_inventory、get_item_price等），LLM 会自动规划出：

1. 用get_item_descriptions找圆形太阳眼镜
2. 用check_inventory查库存
3. 用get_item_price筛出低于 $100 的商品

优点是灵活、代码量小；风险在于运行时计划不可预知，需要谨慎控制权限。详见：5.1 工作流规划

六、避坑清单：4 条工作流设计原则

结合课程1.8 Agentic设计模式，拆解工作时请记住：

1. 从简单开始：先做 1~3 步的原型，验证后再扩展，切忌一步到位
2. 模块化设计：每个步骤独立、可复用，方便单独调试
3. 容错与反馈：加入"检查""评审"步骤，避免错误累积到最终输出
4. 持续迭代：没有一步到位的完美工作流，配合评估（evals）不断优化

评估方法可参考：1.7 Agentic AI评估（evals）].md)

七、总结

任务分解不是"把任务切得越碎越好"，而是一门匹配 LLM 与工具能力的拆解艺术：

• 用7 步法（定义目标 → 人类视角 → 粗拆 → 可行性 → 选构件 → 原型 → 迭代）系统性拆解任意复杂工作流
• 记住核心口诀：效果不好的一步，就把它拆得更小
• 从 1~3 步的最小原型起步，用"模型 + 工具"两大构件组合出你的 Agentic AI 工作流

现在，打开你手头最复杂的一个业务流程，试着按上面 7 个步骤画出一张拆解图吧——那就是你 Agentic AI 之路的第一步。🚀