核心映射：WBS → Agent 任务分解
本质上是一回事，但分解的维度变了：
| WBS（给人） | Agent（给AI） | 变化 |
|---|---|---|
| 分解维度：阶段/交付物/职能 | 分解维度：能力边界（哪个工具能干什么） | 从"谁来做"变成"什么能做" |
| 工作包 = 能排期、能派人 | 工作包 = 能调用一个工具/输出一个确定结果 | 从"天"变成"一次调用" |
| 验收标准 = 交付物 | 验收标准 = 输出格式/Schema | 从"做完了"变成"格式对了" |
| 100%原则 = 不漏任务 | 100%原则 = 不漏推理步骤，不多调工具 | 防止幻觉和冗余调用 |
分解三步法
第一步：定顶层目标（Level 1）
用户到底要什么最终输出？
例："帮我分析A公司财报，写一段投资建议"
第二步：按能力边界拆（Level 2）
问自己：这个目标需要哪几种能力？
| 能力 | 对应Agent工具 |
|---|---|
| 获取信息 | 联网搜索 / 读文件 |
| 理解分析 | LLM推理 |
| 计算处理 | 代码解释器 |
| 输出表达 | 生成文本 |
→ 拆成4个子任务，每个子任务只用一种核心能力
第三步：拆到原子操作（Level 3 = 工作包）
每个子任务继续问："还能再拆成一步确定的动作吗？"
标准：一步 = 一个工具调用 = 一个确定输入输出
`Level 1: 写投资建议
│
├── 任务A: 获取财报数据（能力：联网搜索）
│ ├── A1: 搜索"A公司 2025年财报"
│ ├── A2: 提取营收/利润/现金流关键数字
│ └── A3: 整理成结构化表格
│
├── 任务B: 分析财务指标（能力：LLM推理）
│ ├── B1: 计算毛利率、净利率、ROE
│ ├── B2: 对比行业均值，判断优劣
│ └── B3: 识别3个核心风险点
│
├── 任务C: 形成投资建议（能力：LLM推理）
│ ├── C1: 基于B的结论，生成建议文本
│ └── C2: 按"结论-论据-风险"格式输出
│
└── 任务D: 校验输出（能力：LLM自查）
└── D1: 检查是否有数据幻觉，标注来源
`关键原则（对照WBS）
| WBS原则 | Agent版 | 踩坑示例 |
|---|---|---|
| 100%原则 | 子任务覆盖全部推理链，不跳步 | ❌ 直接让AI"分析财报并写建议"→ 跳过数据提取，容易 hallucinate |
| MECE | 每个子任务用不同工具，不重叠 | ❌ "搜索数据"和"获取数据"是同一件事，别拆两次 |
| 工作包可验收 | 每个子任务有明确输出格式 | ❌ "分析一下" → ✅ "输出JSON：{指标: 值, 对比: 高/低}" |
| 最底层可执行 | 最底层 = 一个API调用能完成的事 | ❌ "理解财报" → ✅ "提取第12页表格数据" |
WBS分解的是"事"，Agent分解的是"能力×步骤"。
核心心法：每一层只用一种能力，每一步只调一次工具，每个输出都有格式。