0Pricing
AI Agents · Pelajaran

Dekomposisi Tugas Hierarkis

Tujuan tingkat atas -> subtujuan -> sub-subtujuan — satu-satunya cara manusia (dan agen) menangani tugas besar.

Dekomposisi Tugas Hierarkis adalah pelajaran AI Agents gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar AI Agents, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus AI Agents mencakup 4 pelajaran total.

Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.

Saat Tugas Menjadi Besar

"Refaktor modul autentikasi" terlalu besar untuk satu perintah. Agen harus memecahnya menjadi bagian-bagian yang lebih kecil dan mudah dikelola.

Dekomposisi tugas hierarkis (HTD) adalah cara manusia dan agen menangani hal ini.

Hierarkinya

  1. Tujuan — sasaran tingkat tinggi
  2. Sub-tujuan — fase-fase utama
  3. Tugas — langkah-langkah konkret
  4. Tindakan — pemanggilan alat individual

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}
'''

Dekomposisi Rekursif

Jika tugas masih terlalu besar, uraikan IT lebih lanjut. Berhentilah ketika tugas dapat diselesaikan dalam satu langkah LLM (sekitar 3–5 pemanggilan alat).

Kapan Berhenti Menguraikan

Heuristik:

  • Deskripsi tugas dapat dimuat dalam satu kalimat
  • Tugas memiliki kriteria penerimaan yang jelas
  • Tugas hanya menyentuh sedikit berkas
  • Tugas dapat diverifikasi dengan pengujian tertentu

Struktur Pohon

Representasikan dekomposisi sebagai pohon. Setiap simpul adalah tugas dengan: deskripsi, status (menunggu/berjalan/selesai/gagal), dan anak:

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

Jalankan secara Mendalam Dahulu

Telusuri pohon secara mendalam dahulu. Selesaikan setiap daun sebelum melanjutkan:

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'

Mengagregasikan Hasil

Setelah anak-anak selesai, lakukan aggregate pada induknya:

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

Tampilkan Pohon kepada Pengguna

Untuk agen yang berjalan lama, tampilkan pohon beserta pembaruan status secara langsung kepada pengguna. Kepercayaan dan transparansi:

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

Izinkan Penyuntingan Pohon

Pengguna tingkat lanjut mungkin ingin melewati, menambahkan, atau mengurutkan ulang tugas. Dukung penyuntingan manual pada pohon rencana.

Susun Ulang Rencana Saat Gagal

Jika sub-tugas berulang kali gagal, kembalikan ke induknya dan uraikan ulang:

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

Biaya Dekomposisi

Setiap dekomposisi merupakan satu pemanggilan LLM. Penyimpanan tembolok membantu — tujuan yang sama -> dekomposisi awal yang sama.

Kapan Berhenti Memecah

Kapan agen harus berhenti menguraikan tugas?

Ringkasan

Tujuan -> sub-tujuan -> tugas -> tindakan. Bangun pohon, jalankan secara mendalam dahulu, agregasikan hasil, dan susun ulang rencana saat gagal. Inilah pola standar untuk pekerjaan berdurasi panjang.

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Dekomposisi Tugas Hierarkis” gratis?

Ya — teks lengkap “Dekomposisi Tugas Hierarkis” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus AI Agents, upgrade ke CoddyKit PRO. Kursus AI Agents mencakup 4 pelajaran total.

Apa yang akan aku pelajari di “Dekomposisi Tugas Hierarkis”?

Tujuan tingkat atas -> subtujuan -> sub-subtujuan — satu-satunya cara manusia (dan agen) menangani tugas besar. Kamu berlatih AI Agents dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.

Apakah aku perlu pengalaman untuk memulai AI Agents?

Tidak diperlukan pengalaman sebelumnya. AI Agents di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.

Berapa lama pelajaran “Dekomposisi Tugas Hierarkis” memakan waktu?

Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.

Bisakah aku menulis dan menjalankan kode dalam pelajaran AI Agents ini?

Ya. Setiap pelajaran AI Agents menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.

Semua pelajaran dalam kursus ini

  1. Dekomposisi Tugas Hierarkis
  2. Tumpukan Tujuan dan Pelacakan Mundur
  3. Model Dunia dan Prediksi Langkah Berikutnya
  4. Siklus Refleksi dan Kritik Mandiri
← Kembali ke AI Agents