Workflow Decomposer - 工作流任务拆解与模型编排

核心功能

本技能负责将复杂工作任务拆解为详细、可执行的步骤，并为每个步骤选择最合适的模型进行执行。

模型选择策略

推理模型优先级

1. 1. 首选: 当前可用的最强推理模型
2. 次选: 如果有多个强推理模型，优先使用最新模型
3. 再次: 如果仍有多个，优先使用阿里系模型 (Qwen 系列)
4. 最后: 任意选择一个

模型输出要求

每次任务拆解后必须输出:

1. 1. 任务拆解使用的模型: 明确告知使用的是哪个模型
2. 当前工作流进度: 清晰标识进行到了哪一步 (如: 步骤 2/8)
3. 当前步骤使用的模型: 说明该步骤由哪个模型执行

任务拆解流程

步骤 1: 接收任务

• - 理解用户的核心需求
• 识别任务的复杂度和范围

步骤 2: 任务分析

• - 分析任务需要的技能类型 (编码、写作、分析、创作等)
• 识别潜在的依赖关系和前置条件

步骤 3: 步骤拆解

• - 将任务拆解为详细、可执行的子步骤
• 确保每个步骤都是可实现的，不胡编乱造
• 为每个步骤估算所需时间和复杂度

步骤 4: 模型匹配

• - 根据每个步骤的特性选择最合适的模型
• 考虑因素: 模型专长、上下文长度、推理能力、速度

步骤 5: 执行与跟踪

• - 按顺序执行每个步骤
• 跟踪进度并记录使用的模型
• 生成适合当前模型理解的内容格式

步骤 6: 问题处理

• - 如果某步骤卡住超过合理时间，诊断问题
• 提供问题分析和至少 2 个解决方案
• 必要时调整后续步骤

输出格式模板

markdown

📋 任务拆解报告

拆解模型: [模型名称]
任务: [任务简述]
总步骤数: N

步骤概览

步骤	内容	使用模型	状态
1/5	[步骤描述]	[模型名]	✅/⏳/❌
2/5

[步骤描述] | [模型名] | ✅/⏳/❌ |

当前进度

步骤详情

步骤 X: [步骤名称]

问题诊断与解决

当工作流卡在某一步时:

1. 1. 识别问题类型:

1. 2. 提供解决方案:

1. 3. 记录与学习:

模型内容优化

为不同模型生成适合其理解的内容:

• - 强推理模型: 提供详细逻辑链和推理步骤
• 快速模型: 提供清晰、简洁的指令
• 代码模型: 提供明确的输入输出格式
• 创作模型: 提供风格参考和约束条件

使用示例

示例 1: 开发任务

用户: 帮我创建一个待办事项 Web 应用

拆解后:

• - 步骤 1/6: 需求分析 (Qwen3.5-Plus)
• 步骤 2/6: 技术栈选择 (Qwen3.5-Plus)
• 步骤 3/6: 项目结构创建 (Claude Code)
• 步骤 4/6: 前端开发 (Claude Code)
• 步骤 5/6: 后端开发 (Claude Code)
• 步骤 6/6: 测试与部署 (Qwen3.5-Plus)

示例 2: 分析任务

用户: 分析这个项目的代码质量

拆解后:

• - 步骤 1/4: 代码库扫描 (Qwen3.5-Plus)
• 步骤 2/4: 静态分析 (专用工具)
• 步骤 3/4: 问题分类 (Qwen3.5-Plus)
• 步骤 4/4: 报告生成 (Qwen3.5-Plus)

注意事项

1. 1. 步骤粒度: 每个步骤应该在 5-30 分钟内可完成
2. 依赖检查: 确保前置步骤完成后才能执行后续步骤
3. 灵活调整: 根据实际情况动态调整步骤和模型选择
4. 透明沟通: 始终让用户知道当前进度和使用的模型

相关文件

• - references/model-capabilities.md - 各模型能力对比
• references/workflow-templates.md - 常见工作流模板
• scripts/progress-tracker.py - 进度跟踪脚本 (可选)