Thinking - 深度思考与规划
by @rfdiosuao
通过系统化元认知流程，深入解析任务、盘点技能、检索经验、规划路径与评估风险，提升复杂任务执行效果与效率。
clawhub install thinking-skill📖 About This Skill
Thinking Skill - 深度思考与规划
> 版本：v1.0 | 作者：Spark | 创建时间：2026-04-04
🎯 Skill 定位
元认知思考引擎 - 让 Agent 在行动前先思考、检索记忆、整合经验、规划最佳路径
核心使命： 通过系统化的思考流程，提升任务执行的质量和效率，避免盲目行动
⚡ 触发规则
两步触发机制
Step 1：标记思考模式
/thinking
Step 2：描述任务
帮我分析一下最近的股票走势，然后生成一份报告发到飞书群里
触发词说明
| 触发词 | 作用 | 示例 |
|--------|------|------|
| /thinking | 进入思考模式（下一步才触发） | /thinking → 等待下一条消息 |
| 先思考一下 | 直接进入思考流程 | 先思考一下这个问题 |
| think about this | 直接进入思考流程 | think about this task |
场景触发
不触发场景
🏗️ 核心思考流程
Step 1: 任务解析 (Task Analysis)
目标： 理解用户真实需求
检查清单：
输出：
## 📋 任务解析任务类型： [查询/操作/创作/分析]
核心需求： [一句话描述]
关键要素：
主体：...
动作：...
目标：...
约束：...
隐含需求： [可能需要的额外帮助]
成功标准： [完成标志]
Step 2: 技能盘点 (Skill Inventory)
目标： 确认可用工具和能力
检查内容： 1. 已安装 Skills - 列出所有可用技能 2. 技能能力匹配 - 哪些技能可以完成此任务 3. 技能依赖关系 - 是否需要组合多个技能 4. 技能限制 - 各技能的边界和约束
输出：
## 🛠️ 可用技能直接相关：
[技能 1] - 用途说明
[技能 2] - 用途说明 可能需要：
[技能 3] - 备用方案 技能组合方案：
方案 A：[技能 1] + [技能 2] - 优势/劣势
方案 B：[技能 3] - 优势/劣势
Step 3: 记忆检索 (Memory Retrieval)
目标： 查找相关历史经验和知识
检索维度： 1. 相似任务 - 过去是否处理过类似问题 2. 成功方案 - 哪些方法被验证有效 3. 失败教训 - 哪些坑需要避免 4. 用户偏好 - 用户的特定习惯和喜好 5. 领域知识 - 相关的专业知识和最佳实践
输出：
## 🧠 相关记忆历史经验：
[时间] - [任务] - [方案] - [结果]
... 成功经验：
[方法 1] - 适用场景
[方法 2] - 适用场景 失败教训：
[坑 1] - 如何避免
[坑 2] - 如何避免 用户偏好：
[偏好 1]
[偏好 2] 领域知识：
[知识点 1]
[知识点 2]
Step 4: 路径规划 (Path Planning)
目标： 设计最优执行方案
规划原则： 1. 最小步骤 - 用最少的操作完成任务 2. 最高成功率 - 优先选择已验证的方案 3. 最低成本 - 时间、资源、API 调用成本 4. 最佳体验 - 用户等待时间最短、交互最流畅
输出：
## 🗺️ 执行路径推荐方案：[方案名称]
步骤分解：
1. [步骤 1] - [使用技能] - [预期结果] - [耗时估计]
2. [步骤 2] - [使用技能] - [预期结果] - [耗时估计]
3. [步骤 3] - [使用技能] - [预期结果] - [耗时估计]
总耗时估计： [X 分钟]
成功率估计： [X%]
备选方案：[方案名称]
触发条件： [什么情况下使用备选]
步骤差异： [与主方案的差异]
Step 5: 风险评估 (Risk Assessment)
目标： 预判可能的问题和应对方案
检查项：
输出：
## ⚠️ 风险评估可能问题：
1. [问题 1] - 概率 [高/中/低] - 应对方案 [...]
2. [问题 2] - 概率 [高/中/低] - 应对方案 [...]
风险控制：
[控制措施 1]
[控制措施 2] 用户期望管理：
[需要告知用户的事项]
Step 6: 开始执行 (Start Execution)
目标： 按照规划开始行动
输出：
## 🚀 开始执行确认事项：
[ ] 任务理解正确
[ ] 方案已规划
[ ] 风险已评估
[ ] 用户已确认（如需要） 执行中...
[开始第一步操作]
📝 完整输出模板
# 🤔 Thinking Process📋 任务解析
[任务分析结果]🛠️ 可用技能
[技能盘点结果]🧠 相关记忆
[记忆检索结果]🗺️ 执行路径
[路径规划结果]⚠️ 风险评估
[风险评估结果]
🚀 开始执行
[确认无误后，开始执行第一步]
🔧 技术实现
思考模式状态管理
状态存储：
interface ThinkingState {
isActive: boolean; // 是否处于思考模式
activatedAt: number; // 激活时间戳
timeoutMs: number; // 超时时间（默认 5 分钟）
lastMessage?: string; // 上一条消息（用于检测是否取消）
}
状态流转：
正常模式 --/thinking--> 思考准备模式 --用户输入任务--> 思考执行模式 --完成--> 正常模式
思考准备模式 --用户取消--> 正常模式
思考准备模式 --超时（5 分钟）--> 自动退出
实现逻辑：
// 检查是否处于思考模式
function isThinkingMode(): boolean {
const state = loadThinkingState();
if (!state) return false;
// 检查是否超时
if (Date.now() - state.activatedAt > state.timeoutMs) {
clearThinkingState();
return false;
}
return state.isActive;
}// 进入思考模式
function enterThinkingMode() {
saveThinkingState({
isActive: true,
activatedAt: Date.now(),
timeoutMs: 5 * 60 * 1000, // 5 分钟
});
return '🤔 已进入思考模式，请描述您要处理的任务';
}
// 处理思考模式下的消息
async function handleThinkingMessage(userMessage: string): Promise {
// 检测是否是取消指令
if (isCancelMessage(userMessage)) {
clearThinkingState();
return '✅ 已取消思考模式，如有需要随时输入 /thinking';
}
// 开始完整思考流程
const thinkingResult = await runThinkingProcess(userMessage);
clearThinkingState();
// 输出思考结果并开始执行
return formatThinkingOutput(thinkingResult);
}
// 检测取消指令
function isCancelMessage(message: string): boolean {
const cancelKeywords = ['算了', '不用了', '取消', 'cancel', 'never mind'];
return cancelKeywords.some(keyword =>
message.toLowerCase().includes(keyword)
);
}
记忆检索接口
// 检索 MEMORY.md
async function searchMemory(query: string): Promise {
// 使用 memory_search 工具
// 返回相关记忆片段
}// 检索技能列表
async function listSkills(): Promise {
// 使用 sessions_list 或读取 skills 目录
// 返回可用技能列表
}
// 检索历史会话
async function searchHistory(query: string): Promise {
// 使用 sessions_history 工具
// 返回相关历史会话
}
思考流程编排
async function thinkingProcess(userTask: string): Promise {
// Step 1: 任务解析
const taskAnalysis = await analyzeTask(userTask);
// Step 2: 技能盘点
const skills = await listSkills();
const matchedSkills = matchSkills(taskAnalysis, skills);
// Step 3: 记忆检索
const memories = await searchMemory(taskAnalysis.keywords);
const experiences = extractExperiences(memories);
// Step 4: 路径规划
const plan = await createPlan(taskAnalysis, matchedSkills, experiences);
// Step 5: 风险评估
const risks = await assessRisks(plan);
// Step 6: 输出思考结果
return {
taskAnalysis,
matchedSkills,
experiences,
plan,
risks,
};
}
💡 使用示例
示例 1：两步触发（推荐）
Step 1：标记思考模式
/thinking
Agent 回复：
🤔 已进入思考模式，请描述您要处理的任务
Step 2：描述任务
帮我分析一下最近的股票走势，然后生成一份报告发到飞书群里
Thinking 输出：
# 🤔 Thinking Process📋 任务解析
任务类型： 分析 + 创作 + 操作
核心需求： 股票分析并分享报告
关键要素：
主体：股票走势
动作：分析、生成报告、发送
目标：飞书群分享
约束：需要最新数据 隐含需求：
可能需要指定具体股票
可能需要指定时间范围
报告格式偏好（图表/文字） 成功标准：
数据准确、分析专业、报告清晰、成功发送 🛠️ 可用技能
直接相关：
web_search - 获取股票数据
web_fetch - 获取财经新闻
feishu-create-doc - 创建报告文档
message - 发送到飞书群 技能组合方案：
方案 A：web_search + feishu-create-doc + message
- 优势：完整流程、可保存文档
- 劣势：步骤较多
方案 B：web_search + message（直接发送摘要）
- 优势：快速
- 劣势：信息不够完整
🧠 相关记忆
历史经验：
2026-04-01 - 股票查询 - 使用 Yahoo Finance API - 成功
2026-03-28 - 报告生成 - 使用 Markdown 格式 - 用户满意 成功经验：
股票数据优先使用权威来源（Yahoo Finance、新浪财经）
报告包含：当前价格、涨跌幅、K 线趋势、关键指标
飞书文档使用表格 + 图表更清晰 失败教训：
避免使用过时的数据（超过 15 分钟）
不要发送太长的消息（会被折叠） 用户偏好：
喜欢简洁的摘要 + 详细文档链接
偏好蓝色系图表 🗺️ 执行路径
推荐方案：方案 A
步骤分解：
1. web_search 获取股票最新数据 - 预计 3 秒
2. web_fetch 获取相关新闻和分析 - 预计 5 秒
3. feishu-create-doc 创建详细报告 - 预计 10 秒
4. message 发送摘要 + 文档链接到群 - 预计 2 秒
总耗时估计： 20 秒
成功率估计： 95%
备选方案：方案 B
触发条件： 用户要求快速响应
步骤差异： 跳过文档创建，直接发送摘要
⚠️ 风险评估
可能问题：
1. 股票数据 API 限流 - 概率 低 - 应对：使用备用数据源
2. 飞书文档创建失败 - 概率 低 - 应对：直接发送文字报告
3. 数据延迟超过 15 分钟 - 概率 中 - 应对：在报告中标注数据时间
风险控制：
优先使用官方数据源
所有数据标注时间戳
准备备选方案 用户期望管理：
告知数据可能有 15 分钟延迟
说明分析仅供参考，不构成投资建议
🚀 开始执行
确认事项：
[x] 任务理解正确
[x] 方案已规划
[x] 风险已评估
[ ] 需要确认具体股票代码 在执行前，请确认：
1. 要分析哪只股票？（如：AAPL、TSLA、00700.HK）
2. 分析多长时间范围？（如：最近 7 天、最近 1 个月）
3. 发送到哪个飞书群？
确认后我将开始执行。
示例 2：直接进入思考流程
用户输入：
先思考一下，我想开发一个新的 Skill，可以自动回复飞书群里的@消息
Thinking 输出：
# 🤔 Thinking Process📋 任务解析
[任务分析结果]
...
示例 3：取消思考模式
用户输入：
/thinking
Agent 回复：
🤔 已进入思考模式，请描述您要处理的任务
用户改变主意：
算了，不用了
Agent 回复：
✅ 已取消思考模式，如有需要随时输入 /thinking
Thinking 输出：
# 🤔 Thinking Process📋 任务解析
任务类型： 创作 + 开发
核心需求： 飞书自动回复 Skill
关键要素：
主体：飞书群@消息
动作：监听、分析、自动回复
目标：自动化回复
约束：需要飞书 API 权限 🛠️ 可用技能
参考技能：
feishu-im-user-message - 飞书消息发送
feishu-im-user-get-messages - 消息获取
feishu-chat - 群聊管理 需要新增：
消息监听机制
@消息识别
回复逻辑（规则/AI） 🧠 相关记忆
历史经验：
2026-04-03 - 开发 kie-nano-banana-pro - 成功发布
2026-04-02 - 开发 nanobanana-pro v1.1 - 整合知识库 成功经验：
Skill 开发标准流程：SKILL.md → 代码 → 测试 → 发布
飞书技能需要 OAuth 授权
使用 message 工具发送消息 失败教训：
避免轮询消息（效率低、易限流）
注意消息去重（避免重复回复） 🗺️ 执行路径
步骤分解：
1. 创建 Skill 骨架（SKILL.md、skill.json）
2. 实现@消息识别逻辑
3. 实现回复逻辑（可配置规则）
4. 添加消息去重机制
5. 测试和发布
总耗时估计： 30 分钟
成功率估计： 90%
⚠️ 风险评估
可能问题：
1. 飞书 API 权限不足 - 概率 中 - 需要用户授权
2. 消息轮询效率低 - 概率 高 - 使用 webhook 更好
3. 重复回复 - 概率 中 - 需要去重机制
🚀 开始执行
确认事项：
[x] 任务理解正确
[x] 方案已规划
[x] 风险已评估 开始创建 Skill 骨架...
[继续执行]
🚀 版本记录
| 版本 | 日期 | 更新内容 | |------|------|----------| | v1.0 | 2026-04-04 | 初始版本，6 步思考流程 |
Thinking Skill 开发完成 · 让行动前先思考成为习惯