逐步思维工具文档

简介

这个文档描述了一个名为 sequentialthinking 的工具，它通过多代理系统（MAS）实现逐步推理功能。该工具允许大型语言模型（LLM）与服务器端点进行交互，以完成复杂的分步思考任务。

逐步思维工具参数

该工具接受符合 Pydantic 模型的 ThoughtData 参数：

{
    "thought": str,              # 当前思考内容
    "thoughtNumber": int,        # 序列号（>=1）
    "totalThoughts": int,        # 预计总步数（>=1，建议>=5）
    "nextThoughtNeeded": bool,   # 是否需要下一步？
    "isRevision": bool = False,  # 是否是对前一步的修订？
    "revisesThought": Optional[int] = None, # 如果是修订，则指定要修订的思考编号
    "branchFromThought": Optional[int] = None, # 如果是分支，则指定来源的思考编号
    "branchId": Optional[str] = None, # 分支唯一标识符
    "needsMoreThoughts": bool = False # 信号如果总步数估计过低？
}

工具交互示例

LLM 调用该工具的过程如下：

1. LLM 使用 sequential-thinking-starter 提示启动思考。
2. LLM 调用 sequentialthinking 工具，初始思考编号为 1，内容如 "计划分析..."，并指定总步数和是否需要下一步。
3. 服务器端点处理该思考，MAS 合成响应，提供下一步指导。
4. LLM 收到合成的响应，并根据指导进行下一步思考。
5. 重复上述过程，直到完成所有思考步骤。

工具响应格式

工具返回以下 JSON 格式数据：

{
  "processedThoughtNumber": int,    # 处理后的思考编号
  "estimatedTotalThoughts": int,     # 预计总步数
  "nextThoughtNeeded": bool,         # 是否需要下一步？
  "coordinatorResponse": "..."       # 合成的输出，包括分析、发现和下一步指导...
}

日志记录

• 日志文件位于 ~/.sequential_thinking/logs/sequential_thinking.log
• 使用 Python 的标准 logging 模块
• 包含轮转文件处理（10MB 限制，5 份备份）和控制台输出（INFO 级别）
• 记录包括时间戳、日志级别、记录器名称和消息

开发指南

1. 克隆仓库。
2. 设置虚拟环境。
3. 安装依赖项：

# 使用 uv
uv pip install -e ".[dev]"
# 使用 pip
pip install -e ".[dev]"

4. 运行测试：

pytest tests/

许可证

该工具使用 MIT 许可证。