任务分解
将复杂目标拆解为一系列更小、离散且可验证的子任务的技术，用于提升LLM Agent的可靠性、准确性和可调试性
时间轴 (近 90 天)
显式的编号任务分解比开放式指令（如“处理我的收件箱”）更可靠，且便于调试。
目标分解是将大目标拆解为有层次的子目标和可执行任务，使智能体能够行动、评估并根据结果修正计划的过程。
任务分解可以减少幻觉，因为每一步的作用域更窄，LLM编造信息或偏离预期路径的空间更小。
结构化任务分解通过将复杂目标拆解为更小、离散且可验证的步骤，显著提升LLM Agent的可靠性、准确性和可调试性。
对于真正简单、不涉及外部工具或复杂推理的单步提示词，任务分解的开销就是过度工程。
拆解过深会产生成百上千个琐碎步骤，导致协调开销激增却看不到明显优势。
长时任务能力的实现依赖超长上下文窗口、任务分解和工具调用可靠性等关键技术
将剧本创作拆成故事逻辑层和分镜格式层两个独立步骤可减少每步约束数量，缓解大语言模型的约束遗忘现象，提升输出稳定性
麦肯锡全球研究院的研究框架将每个职业分解为数百个具体活动，逐一评估其自动化潜力
全部知识事实 (9)
显式的编号任务分解比开放式指令（如“处理我的收件箱”）更可靠，且便于调试。
50%待验证目标分解是将大目标拆解为有层次的子目标和可执行任务，使智能体能够行动、评估并根据结果修正计划的过程。
50%待验证任务分解可以减少幻觉，因为每一步的作用域更窄，LLM编造信息或偏离预期路径的空间更小。
50%待验证结构化任务分解通过将复杂目标拆解为更小、离散且可验证的步骤，显著提升LLM Agent的可靠性、准确性和可调试性。
50%待验证对于真正简单、不涉及外部工具或复杂推理的单步提示词，任务分解的开销就是过度工程。
50%待验证拆解过深会产生成百上千个琐碎步骤，导致协调开销激增却看不到明显优势。
50%待验证长时任务能力的实现依赖超长上下文窗口、任务分解和工具调用可靠性等关键技术
50%待验证将剧本创作拆成故事逻辑层和分镜格式层两个独立步骤可减少每步约束数量，缓解大语言模型的约束遗忘现象，提升输出稳定性
50%待验证麦肯锡全球研究院的研究框架将每个职业分解为数百个具体活动，逐一评估其自动化潜力
50%