Task Decomposition atau dekomposisi tugas adalah proses memecah sebuah tugas besar dan kompleks menjadi rangkaian subtugas yang lebih kecil, lebih spesifik, dan lebih mudah dikelola satu per satu—kemampuan inti yang membedakan AI agent yang efektif dari sekadar chatbot yang hanya menjawab satu pertanyaan dalam satu putaran percakapan.
Ketika diberi permintaan seperti "riset lalu buatkan laporan komparasi lima kompetitor utama di industri ini", sebuah agent perlu terlebih dahulu memecah tugas tersebut menjadi langkah-langkah konkret: mengidentifikasi lima kompetitor yang relevan, mengumpulkan data masing-masing dari berbagai sumber, menganalisis dan membandingkan temuan, lalu menyusunnya menjadi laporan yang terstruktur. Tanpa dekomposisi yang baik, agent berisiko kehilangan arah atau menyelesaikan tugas secara dangkal karena mencoba menangani semuanya sekaligus dalam satu langkah.
Pendekatan teknis untuk dekomposisi tugas bervariasi, mulai dari meminta model menyusun rencana (plan) secara eksplisit sebelum eksekusi—kadang disebut "plan-then-execute"—hingga pendekatan yang lebih adaptif di mana agent memutuskan langkah berikutnya secara bertahap berdasarkan hasil dari langkah sebelumnya, seperti pada pola ReAct Framework. Beberapa sistem juga menggunakan agent perencana (planner) terpisah yang khusus bertugas menyusun subtugas, kemudian mendelegasikannya ke agent eksekutor lain lewat mekanisme multi-agent handoff.
Kualitas dekomposisi tugas sangat memengaruhi keberhasilan agent dalam menyelesaikan pekerjaan berjenjang (long-horizon task). Dekomposisi yang terlalu kasar membuat setiap langkah tetap terlalu kompleks untuk ditangani dengan andal, sementara dekomposisi yang terlalu granular dapat membuat proses menjadi tidak efisien dan boros biaya komputasi akibat terlalu banyak putaran interaksi dengan model.