🚀 逐步思维工具文档

本工具 sequentialthinking 借助多代理系统（MAS）达成逐步推理功能，能让大型语言模型（LLM）与服务器端点交互，从而完成复杂的分步思考任务。

🚀 快速开始

大型语言模型（LLM）调用该工具的流程如下：

1. LLM 使用 sequential - thinking - starter 提示开启思考。
2. LLM 调用 sequentialthinking 工具，初始思考编号设为 1，思考内容可为 "计划分析..."，同时指定总步数以及是否需要下一步。
3. 服务器端点对该思考进行处理，多代理系统（MAS）合成响应并提供下一步指导。
4. LLM 接收合成后的响应，依据指导开展下一步思考。
5. 不断重复上述过程，直至完成所有思考步骤。

✨ 主要特性

• 借助多代理系统（MAS）实现逐步推理功能。
• 允许大型语言模型（LLM）与服务器端点交互，处理复杂的分步思考任务。

📦 安装指南

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/

💻 使用示例

基础用法

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？
}

高级用法

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...
}

🔧 技术细节

日志记录

• 日志文件存于 ~/.sequential_thinking/logs/sequential_thinking.log。
• 运用 Python 的标准 logging 模块。
• 涵盖轮转文件处理（10MB 限制，5 份备份）以及控制台输出（INFO 级别）。
• 日志记录包含时间戳、日志级别、记录器名称和消息。

📄 许可证

该工具采用 MIT 许可证。