AI Agents · Lektion

Hierarchische Aufgabenzerlegung

Oberstes Ziel -> Teilziele -> Unterziele — nur so bewältigen Menschen (und Agents) große Aufgaben.

Hierarchische Aufgabenzerlegung ist eine kostenlose AI Agents-Lektion auf CoddyKit. Dies ist Lektion 1 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des AI Agents-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der AI Agents-Kurs umfasst insgesamt 4 Lektionen.

Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.

Wenn Aufgaben groß werden

„Überarbeiten Sie das auth-Modul“ ist zu groß für einen einzelnen Prompt. Der Agent muss die Aufgabe in kleinere, bewältigbare Teile zerlegen.

Die hierarchische Aufgabenzerlegung (HTD) ist die Methode, mit der Menschen und Agenten solche Aufgaben bewältigen.

Die Hierarchie

Ziel — das übergeordnete Vorhaben
Teilziele — die wichtigsten Phasen
Aufgaben — konkrete Schritte
Aktionen — einzelne Tool-Aufrufe

Example Decomposition

Goal: Refactor authentication module to use OAuth.

  Sub-goal 1: Set up OAuth dependencies
    Task: Add dependency to requirements.txt
    Task: Configure OAuth client

  Sub-goal 2: Replace existing auth flow
    Task: Replace login endpoint
    Task: Replace session middleware
    Task: Update tests

  Sub-goal 3: Migration and rollout
    Task: Write migration script
    Task: Update documentation

LLM-Driven Decomposition

DECOMPOSE_PROMPT = '''
Decompose this goal into 3-6 sub-goals. For each sub-goal, list 2-5 concrete tasks.
Return JSON: {sub_goals: [{name, tasks: [str]}]}

Goal: {goal}
'''

Rekursive Zerlegung

Wenn eine Aufgabe noch zu groß ist, zerlegen Sie sie weiter. Hören Sie auf, sobald eine Aufgabe in einen einzelnen LLM-Schritt passt (etwa 3–5 Tool-Aufrufe).

Wann die Zerlegung beendet wird

Faustregeln:

Die Aufgabenbeschreibung passt in einen Satz
Die Aufgabe hat klare Akzeptanzkriterien
Die Aufgabe betrifft eine kleine Anzahl von Dateien
Die Aufgabe lässt sich durch einen bestimmten Test verifizieren

Baumstrukturen

Stellen Sie die Zerlegung als Baum dar. Jeder Knoten ist eine Aufgabe mit Beschreibung, Status (pending/running/done/failed) und Kindern:

@dataclass
class TaskNode:
    description: str
    status: Literal['pending', 'running', 'done', 'failed']
    children: list['TaskNode']
    result: str | None = None

Tiefensuche ausführen

Durchlaufen Sie den Baum in der Tiefe. Schließen Sie jedes Blatt ab, bevor Sie fortfahren:

def execute(node):
    if node.children:
        for child in node.children:
            execute(child)
    else:
        node.status = 'running'
        try:
            node.result = run_leaf(node)
            node.status = 'done'
        except Exception as e:
            node.status = 'failed'

Ergebnisse zusammenführen

Nachdem die Kinder abgeschlossen sind, führen Sie die Ergebnisse im übergeordneten Knoten zusammen:

def aggregate(parent):
    summaries = [c.result for c in parent.children if c.status == 'done']
    parent.result = llm.invoke(f'Summarise these sub-task results: {summaries}').content

Den Baum für Benutzer sichtbar machen

Bei langlebigen Agenten sollten Sie den Benutzern den Baum mit laufenden Statusaktualisierungen anzeigen. Das schafft Vertrauen und Transparenz:

[x] Add OAuth dependency
[x] Configure OAuth client
[~] Replace login endpoint   <-- in progress
[ ] Replace session middleware
[ ] Update tests

Bearbeitung des Baums erlauben

Power-User möchten Aufgaben möglicherweise überspringen, hinzufügen oder neu anordnen. Unterstützen Sie manuelle Änderungen am Planbaum.

Bei Fehlern neu planen

Wenn eine Teilaufgabe wiederholt fehlschlägt, gehen Sie zum übergeordneten Knoten zurück und zerlegen Sie die Aufgabe erneut:

if failed_count(node) > 2:
    parent = node.parent
    parent.children = llm_replan(parent, failure_context=node.last_error)

Kosten der Zerlegung

Jede Zerlegung ist ein LLM-Aufruf. Caching hilft – dasselbe Ziel führt zur selben anfänglichen Zerlegung.

Wann die Aufteilung beendet wird

Wann sollte der Agent die Zerlegung von Aufgaben beenden?

Zusammenfassung

Ziele -> Teilziele -> Aufgaben -> Aktionen. Bauen Sie einen Baum, führen Sie ihn in der Tiefe aus, führen Sie Ergebnisse zusammen und planen Sie bei Fehlern neu. Das ist das Standardmuster für Aufgaben mit langem Planungshorizont.

Häufig gestellte Fragen

Ist die Lektion „Hierarchische Aufgabenzerlegung“ kostenlos?

Ja — der vollständige Text von „Hierarchische Aufgabenzerlegung“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des AI Agents-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der AI Agents-Kurs umfasst insgesamt 4 Lektionen.

Was lerne ich in „Hierarchische Aufgabenzerlegung“?

Oberstes Ziel -> Teilziele -> Unterziele — nur so bewältigen Menschen (und Agents) große Aufgaben. Du übst AI Agents mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.

Brauche ich Erfahrung, um AI Agents zu starten?

Keine Vorkenntnisse erforderlich. AI Agents auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 1 von 4.

Wie lange dauert die Lektion „Hierarchische Aufgabenzerlegung“?

Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.

Kann ich in dieser AI Agents-Lektion Code schreiben und ausführen?

Ja. Jede AI Agents-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.

Alle Lektionen in diesem Kurs

← Zurück zu AI Agents