跳到主要内容

任务分解

线性、树、图三种分解结构各适合什么任务形状，以及为什么计划不该在起点冻结

核心要点：

  • least-to-most：由易到难拆解后顺序求解
  • plan-and-solve：先规划后执行两阶段
  • 树/图处理回溯与并行依赖
  • 动态重规划：按结果实时更新计划
  • 计划不必一开始就冻结

本文讲 agent 怎么把大任务拆成可执行步骤。拆解后从错误中改进见 03-反思与自修复。

为什么要显式分解任务？​

核心问题：直接让模型一口气解决复杂任务，不行吗？

直接解容易在复杂任务上漏步、算错、误解语义，显式分解能把难题降为一串可控子问题[1]。Plan-and-Solve 的实验显示，先规划再执行能减少三类典型错误：计算错误、推理步骤遗漏、语义误理解。

分解的价值不只是"拆小"，还在于让每一步可检查、可并行、可重试。下面几种策略按"线性→树→图→动态"递进。

least-to-most 和 plan-and-solve 怎么分解？​

核心问题：最基础的两种分解思路是什么？

least-to-most 把问题拆成由易到难的子问题序列顺序求解，plan-and-solve 把规划与执行显式分成两阶段。两者都用拆解换取可靠性。

  • least-to-most：先分解成从易到难的子问题，再顺序解，每步可用前序答案[2]。它解决了 CoT 难以泛化到比示例更难问题的缺陷——在 SCAN 上仅用 14 个示例达 99%，而 CoT 仅 16%。
  • plan-and-solve：第一阶段生成结构化子任务计划，第二阶段按计划执行[1]。这种解耦在多个数据集上大幅超越 zero-shot CoT。

可借鉴的判断：任务有清晰难度梯度就用 least-to-most，任务需要先通盘规划就用 plan-and-solve。

树和图怎么处理更复杂的分解？​

核心问题：子任务之间有回溯或并行依赖时，线性序列不够用怎么办？

用树处理需要回溯的搜索，用依赖图处理并行与显式依赖。线性分解假设步骤单向推进，真实任务常需要探索多条路径或并行子任务。

  • 树形分解(Tree of Thoughts)：把 CoT 推广为树形多路径搜索，配 BFS/DFS + 节点评估，适合需要回溯的规划问题[3]。
  • 依赖图(DAG)：把任务显式建模为依赖图，支持多模型并行协作（如 HuggingGPT 用依赖图编排多模型）[4]。

依赖图让独立子任务能并行(与 04-编排/05-确定性workflow 的并行分段呼应)，让有依赖的子任务按序执行。分解结构应匹配任务的真实依赖形状，而非强行线性化。

计划要不要一开始就定死？​

核心问题：一次规划好全部步骤，还是边做边改？

复杂任务的计划应能按已完成结果动态重规划，而非开始时一次性冻结[5]。TDAG 根据已完成子任务的结果实时更新任务图，而不是把计划锁死在起点。

动态重规划的价值在于应对不确定性：子任务的真实结果常偏离预期，固定计划会在第一个意外处崩溃。CodeAct 一类方案用可执行代码统一动作表示，让 agent 在执行反馈中轻量重规划。可借鉴的设计：给规划留重规划的接口——计划是假设，执行结果可以推翻它。

Takeaway​

知识点核心结论
为何分解降低漏步/算错/误解，让每步可检查可重试
least-to-most由易到难拆解，泛化到比示例更难的问题
plan-and-solve规划与执行两阶段解耦，减三类错误
树与图树处理回溯搜索，DAG 处理并行与显式依赖
动态重规划按结果实时更新计划，不在起点冻结

参考资料​

  1. Wang et al. Plan-and-Solve Prompting. arXiv:2305.04091, 2023. https://arxiv.org/abs/2305.04091
  2. Zhou et al. Least-to-Most Prompting Enables Complex Reasoning in Large Language Models. arXiv:2205.10625, 2022. https://arxiv.org/abs/2205.10625
  3. Yao et al. Tree of Thoughts: Deliberate Problem Solving with Large Language Models. arXiv:2305.10601, 2023. https://arxiv.org/abs/2305.10601
  4. Shen et al. HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in Hugging Face. arXiv:2303.17580, 2023. https://arxiv.org/abs/2303.17580
  5. TDAG: A Multi-Agent Framework based on Dynamic Task Decomposition and Agent Generation. arXiv:2402.10178, 2024. https://arxiv.org/abs/2402.10178

延伸阅读​