AI Agents · Leçon

Décomposition hiérarchique des tâches

Objectif principal → sous-objectifs → sous-sous-objectifs : c’est la seule façon dont les humains (et les agents) s’attaquent aux grandes tâches.

Décomposition hiérarchique des tâches est une leçon AI Agents gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage AI Agents, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours AI Agents comprend 4 leçons au total.

Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.

Quand les tâches deviennent volumineuses

« Refactorisez le module d’authentification » est trop vaste pour une seule invite. L’agent doit le décomposer en éléments plus petits et faciles à gérer.

La décomposition hiérarchique des tâches (HTD) est la méthode utilisée par les humains et les agents pour s’y attaquer.

La hiérarchie

Objectif — le but de haut niveau
Sous-objectifs — les phases principales
Tâches — les étapes concrètes
Actions — les appels d’outils individuels

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}
'''

Décomposition récursive

Si une tâche est encore trop vaste, décomposez IT davantage. Arrêtez-vous lorsqu’une tâche tient dans une seule étape de LLM (environ 3 à 5 appels d’outils).

Quand arrêter la décomposition

Heuristiques :

La description de la tâche tient en une phrase
La tâche possède des critères d’acceptation clairs
La tâche concerne un petit nombre de fichiers
La tâche peut être vérifiée par un test précis

Structures arborescentes

Représentez la décomposition sous forme d’arbre. Chaque nœud est une tâche comprenant une description, un état (en attente/en cours/terminée/échouée) et des enfants :

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

Exécuter en profondeur d’abord

Parcourez l’arbre en profondeur d’abord. Terminez chaque feuille avant de continuer :

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'

Agréger les résultats

Une fois les enfants terminés, utilisez aggregate au niveau du parent :

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

Présenter l’arbre aux utilisateurs

Pour les agents dont l’exécution est longue, affichez l’arbre aux utilisateurs avec des mises à jour d’état en direct. Confiance et transparence :

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

Autoriser la modification de l’arbre

Les utilisateurs avancés peuvent vouloir ignorer, ajouter ou réordonner des tâches. Prenez en charge la modification manuelle de l’arbre de planification.

Replanifier en cas d’échec

Si une sous-tâche échoue à plusieurs reprises, remontez au parent et décomposez-la à nouveau :

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

Coût de la décomposition

Chaque décomposition est un appel de LLM. La mise en cache aide : même objectif -> même décomposition initiale.

Quand arrêter de diviser

Quand l’agent doit-il arrêter de décomposer les tâches ?

Récapitulatif

Objectifs -> sous-objectifs -> tâches -> actions. Construisez un arbre, exécutez-le en profondeur d’abord, agrégez les résultats et replannifiez en cas d’échec. C’est le motif standard pour les travaux à long horizon.

Questions Fréquemment Posées

La leçon « Décomposition hiérarchique des tâches » est-elle gratuite ?

Oui — le texte complet de « Décomposition hiérarchique des tâches » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours AI Agents, passe à CoddyKit PRO. Le cours AI Agents comprend 4 leçons au total.

Qu'est-ce que j'apprendrai dans « Décomposition hiérarchique des tâches » ?

Objectif principal → sous-objectifs → sous-sous-objectifs : c’est la seule façon dont les humains (et les agents) s’attaquent aux grandes tâches. Tu pratiques AI Agents avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.

Dois-je avoir de l'expérience pour commencer AI Agents ?

Aucune expérience préalable n'est requise. AI Agents sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.

Combien de temps prend la leçon « Décomposition hiérarchique des tâches » ?

La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.

Peux-tu écrire et exécuter du code dans cette leçon AI Agents ?

Oui. Chaque leçon AI Agents inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.

Toutes les leçons de ce cours

← Retour à AI Agents