文章总结与翻译一、主要内容（一）研究背景与核心问题大型语言模型（LLMs）在推理和规划任务中表现突出，任务分解成为利用其解决复杂问题的关键技术。现有方法多聚焦于记忆、工具使用和反馈机制，在特定领域取得成效，但普遍忽视了性能与成本的权衡问题，尚未明确影响任务分解效果的核心因素及平衡策略。（二）核心研究工作任务分解分类体系：提出6种分类方案，涵盖分解与执行的交互顺序、LLM调用次数、拓扑结构、表示格式、子任务选择范围、是否使用工具6个维度，并筛选出5种代表性方法（CoT、PS、ReAct、PE、PE (DAG)）用于后续分析。实证分析与关键发现：围绕"方法类别、任务特征、模型配置"三大影响因素展开实验，得出三点核心洞察：现有方法存在性能-成本困境，高性能方法往往伴随高额Token消耗和API调用成本；任务特征决定分解的顺序、调用形式和拓扑结构（如数学任务适配线性推理，写作任务适配DAG并行分解）；扩大执行模型规模比扩大分解模型规模更能提升性能，推理型模型可进一步优化执行阶段。Select-Then-Decompose策略：提出闭环框架，包含三个模块：选择模块：基于任务复杂度和特征动态选择最优分解方法；
