Agent Sequential Thinking

序列思考 Skill (Sequential Thinking)

基于 MCP Sequential Thinking Server 设计的复杂任务分解工具。

功能

1. 任务分解 - 将复杂问题分解为可管理的步骤 2. 动态调整 - 随理解深入修订和调整思考步骤数 3. 分支探索 - 探索替代推理路径 4. 假设验证 - 生成和验证解决方案假设

思考流程

问题定义 → 信息收集 → 问题分解 → 多维分析 → 
建立连接 → 生成方案 → 评估选择 → 实施反馈

使用方法

输入参数

| 参数 | 说明 | 示例 | |------|------|------| | thought | 当前思考内容 | "首先分析问题边界..." | | thoughtNumber | 当前步骤编号 | 1 | | totalThoughts | 预估总步骤数 | 8 | | nextThoughtNeeded | 是否需要下一步 | true | | isRevision | 是否修订之前思考 | false | | revisesThought | 修订的步骤编号 | 3 | | branchFromThought | 分支起点 | 5 | | branchId | 分支标识 | "方案A" | | needsMoreThoughts | 需要更多步骤 | false |

示例输出

{
  "thoughtNumber": 1,
  "totalThoughts": 8,
  "thought": "首先分析问题边界：用户需要一个金融数据看板",
  "nextThoughtNeeded": true,
  "branches": []
}

适用场景

System Prompt 集成

在 Agent 的 System Prompt 中添加：

## 思考模式
遇到复杂任务时，使用序列思考：
1. 问题定义
   - 明确任务目标和边界
   - 识别关键约束
2. 信息收集
   - 检索相关记忆
   - 搜索必要信息
3. 问题分解
   - 拆分为子任务
   - 确定优先级
4. 多维分析
   - 技术角度：可行性、复杂度
   - 用户角度：体验、偏好
   - 时间角度：紧急度、工作量
5. 建立连接
   - 关联已有知识
   - 识别依赖关系
6. 生成方案
   - 提出多个候选方案
   - 考虑分支可能性
7. 评估选择
   - 对比方案优劣
   - 选择最优路径
8. 实施反馈
   - 执行并监控结果
   - 根据反馈调整

分支示例

当发现当前路径可能不是最优时，创建分支：

thoughtNumber: 5
thought: "方案A（Streamlit）可行，但方案B（React）可能更适合长期维护"
branchFromThought: 5
branchId: "方案B"
totalThoughts: 10  // 增加步骤数以探索分支

修订示例

当发现之前的思考有误时，修订：

thoughtNumber: 6
thought: "修正：方案A的部署问题可以通过更新依赖解决"
isRevision: true
revisesThought: 4

与 OpenClaw 集成

自动触发条件

思考输出格式

思考过程可以输出为 Markdown，记录在 memory/thinking-YYYY-MM-DD.md：

# 思考记录：金融数据看板部署
步骤 1：问题定义
任务：部署金融数据看板到公网
步骤 2：信息收集
已有：本地运行正常
需要：公网 URL、免费方案
步骤 3：问题分解
1. 选择部署平台
2. 修复依赖问题
3. 上传代码
4. 测试访问
步骤 4：多维分析
...
步骤 7：评估选择
方案 A（Streamlit Cloud）：推荐
理由：免费、自动部署、适合展示
步骤 8：实施反馈
结果：部署成功
URL: https://finance-dashboard-xxx.streamlit.app

*基于 MCP Sequential Thinking Server 设计*