minimax agent需将复杂编程任务拆为可调度原子子任务：task score＜3.2可直执行，＞5.8必须拆分；系统生成dag图，支持自动或手动调整粒度；配置各节点参数后启动调度，支持断点恢复与结果导出。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你想让 MiniMax Agent 自动完成一个含数据处理、代码生成、本地执行和结果验证的编程任务，但直接丢给它一句“写个爬虫”会出错或遗漏步骤——必须把原始需求拆成可调度、可验证、可重试的原子子任务。
识别任务边界与粒度阈值
打开 MiniMax 控制台 → 进入「Agent Playground」→ 粘贴原始需求文本，例如：“从知乎热榜抓取前10条标题，过滤含‘AI’的条目，保存为 CSV 并用 matplotlib 画词云图”。
观察右侧自动生成的「Task Score」数值：若低于 3.2，则不建议拆分，直接交由单次 LLM 调用执行；【高于 5.8 必须拆分，否则 92% 概率因上下文超限导致中间步骤丢失】。
点击「Analyze Task」按钮，系统返回结构化特征：依赖链长度=4、工具调用类型=3（HTTP+Python+File）、跨步骤状态耦合度=高。这说明需按串行依赖拆解，且不能跳过 checkpoint。
生成可执行子任务 DAG 图
在任务分析页点击「Generate DAG」→ 等待 1.8 秒 → 自动生成带节点编号与箭头依赖的流程图。
方法一：使用默认策略（推荐新手）
系统自动将任务切分为 5 个原子节点：
① fetch_zhihu_hotlist → ② filter_by_keyword → ③ save_to_csv → ④ load_csv_and_count_words → ⑤ plot_wordcloud；
所有节点标注了所需工具（Browser / Python / Filesystem）及输入/输出 Schema。
方法二：手动调整粒度
点击任意节点 → 修改「Granularity」滑块 → 向右拖动至「Fine」档位，会把④拆为「read_csv → clean_text → count_words」三步；向左拖至「Coarse」则合并④⑤为一步；【拖动后必须点击「Revalidate Dependencies」，否则调度器无法识别新边】。
为你的AI代理装上眼睛，让它看到整个互联网。7500+ GitHub星标。支持搜索并读取14个平台：Twitter/X、Reddit、YouTube、GitHub、哔哩哔哩、小红书...
配置每个子任务的执行参数
逐个点击 DAG 中的节点，在右侧「Execution Config」面板中设置：
对 fetch_zhihu_hotlist 节点：启用「Retry on HTTP 429」并设最大重试=3；禁用「Cache Response」，因为热榜每分钟刷新。
对 save_to_csv 节点：在「Output Path」填入相对路径 ./outputs/hotlist_{{timestamp}}.csv；勾选「Atomic Write」避免写入中断产生脏文件。
对 plot_wordcloud 节点：在「Python Env」下拉菜单选择「matplotlib-3.9+wordcloud-3.0」镜像；取消勾选「Auto-show」，防止 GUI 阻塞无头环境。
启动并行调度与断点恢复
点击 DAG 画布右上角「Run All」→ 系统自动将 5 个任务注入 Redis 队列 → AgentScheduler 分配 Worker 执行。
若第③步失败（如磁盘满），其余步骤继续运行；失败节点状态变为「Failed (Checkpointed)」；【此时不要点「Rerun」，而应先在 Logs 标签页定位 error line，修改参数后点击「Resume from Checkpoint」】。
当全部节点显示绿色「Completed」，点击「Export Result」→ 下载 zip 包，内含：hotlist_20260811T1945.csv、wordcloud_20260811T1947.png、execution_trace.json。
