面对复杂任务，一次性让 AI 完成往往效果不佳。吴恩达提出，关键在于任务分解。通过将人类解决问题的步骤拆解为 AI 可执行的小环节，能显著提升输出质量，让 AI 从简单的指令执行者升级为深度工作流的核心。
智能速览
一次性 AI 生成的内容常流于表面，缺乏深度。
应模仿人类思维，将复杂任务拆解为多个离散步骤。
每个拆分步骤都需评估是否可由 LLM 或工具独立完成。
Agentic 工作流的构建是一个持续迭代优化的过程。
LLM、API、数据库和代码执行是构建工作流的核心模块。
精华内容
如何将一个模糊的目标转化为精确的 AI 执行流程？关键在于将人类专家的隐性思维显性化，拆解为机器可理解的步骤。
分步优于一次性
以 AI 写作研究型文章为例，直接下达指令往往只能得到覆盖表面事实的内容。更优的方案是模仿人类写作流程：首先生成文章大纲，然后根据大纲进行网络搜索，最后基于搜索结果撰写文章。这个三步工作流比直接生成更深入。
但如果结果仍不够连贯，可以进一步分解。将“撰写文章”这一步拆解为“撰写初稿”、“审阅并确定修改点”、“修订初稿”三个更细化的步骤。这样，一个简单的任务就迭代成了一个五步工作流，输出质量显著提升。
拆解商业任务
任务分解的原则同样适用于商业场景。在处理客户订单咨询邮件时，可将任务拆分为三步：第一步，用 LLM 提取发件人、订单号等关键信息；第二步，调用函数查询数据库，找到相关客户记录；第三步，基于查询结果生成回复并通过 API 发送邮件。
处理发票的流程则可简化为两步：首先从文本化的 PDF 中提取名称、金额、到期日等信息，然后调用函数将这些信息保存为新的数据库条目。这些步骤清晰、独立，便于实现和调试。
识别可用模块
构建 Agentic 工作流时，需要了解可用的“构建模块”。核心是大型语言模型（LLM），它擅长文本生成、决策和信息提取。此外，还可调用其他专用 AI 模型，如 PDF 转文本、图像分析等。
软件工具也是关键部分，包括各类 API（如网络搜索、发送邮件、查询日历）、信息检索工具（如数据库查询、RAG 检索）以及代码执行工具，后者能让 LLM 通过编写并运行代码来完成数据分析等复杂任务。
核心思考框架
任务分解需要遵循一个核心思考框架。当观察人类执行的某个步骤时，首先要问：这个步骤能否由 LLM 或现有工具完成？如果答案是肯定的，就可以将其纳入工作流。
如果答案是否定的，则需要进一步追问：作为一名人类，会如何完成这一步？能否将其再次分解成更小的、适合 LLM 或工具执行的子步骤？通过这种不断细化的方式，复杂任务最终都能被转化为可执行的 AI 工作流。
任务分解是构建高效 Agentic AI 的基石，它将抽象目标落地为可执行的自动化流程。掌握这套方法，意味着能让 AI 解决更复杂的现实问题。你准备好开始拆解自己的第一个工作流了吗？
