Thinking - 深度思考与规划

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。

Security Scan

This is an instruction-only 'thinking' meta-skill that is internally consistent: it asks the agent to analyze tasks, list available skills, and search agent memory/history to plan actions — behavior that matches its stated purpose and requires no extra credentials or installs.

Purpose & Capability

The name/description (meta-cognitive thinking and planning) align with the instructions: task analysis, skill inventory, memory retrieval, planning, and risk assessment. The skill references listing installed skills and searching agent memory/history — actions coherent with a planning/meta-skill.

Instruction Scope

SKILL.md instructs the agent to access agent-local resources (memory via memory_search, session history via sessions_history, and the skills list). Those are sensitive but appropriate for a thinking/meta-skill that must consult past context and available capabilities. The doc does not instruct reading unrelated system files or exfiltrating data externally. Examples mention sending reports to Feishu (飞书) — that would require invoking another (separate) Feishu/send-skill and credentials, which this skill does not request itself.

Install Mechanism

No install spec and no code files are present beyond metadata and documentation, so nothing is written to disk by an installer. This lowers risk and is consistent with being an instruction-only skill.

Credentials

The skill declares no required environment variables, credentials, or config paths. It does rely on agent-provided tools (memory_search, sessions_list/history) —appropriate for its purpose. There are no unrelated credential requests.

Persistence & Privilege

always is false and the skill does not request permanent presence or modify other skills/configs. It stores a lightweight thinking state conceptually, but as an instruction-only skill this is just guidance for agents and does not demand elevated platform privileges.

Assessment

This skill is an instruction-only meta-skill that will ask the agent to read its own memories, session history, and available skill list to form plans — that behavior is expected for a planning tool but can surface private information from your agent's memory and conversation history. Before installing: 1) confirm you are comfortable with other installed skills and stored memories being consulted; 2) remember the skill itself does not send data externally, but examples (e.g., posting to Feishu) would require calling other skills/services that may need credentials — review and limit those integrations; 3) note the package.json references a src/index.ts that isn't included, which is acceptable for an instruction-only skill but worth being aware of. If you want stricter limits, restrict the agent's permission to access memory/session history or avoid granting downstream skills (e.g., messaging integrations) access to sensitive destinations.

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

→ Agent 进入思考准备状态，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

→ Agent 开始完整的思考流程并执行

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

• 复杂任务（多步骤、需要协调多个技能）
• 陌生领域（需要检索相关经验）
• 重要决策（需要权衡利弊）
• 重复问题（需要查找历史解决方案）

不触发场景

• 简单查询（天气、时间等）
• 明确指令（已有清晰执行路径）
• 紧急操作（需要立即响应）

---

🏗️ 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：

• 任务类型识别（查询/操作/创作/分析）
• 关键要素提取（主体、动作、目标、约束）
• 隐含需求挖掘（用户未明说但可能需要的）
• 成功标准定义（如何判断任务完成）

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：

• API 限流风险
• 权限不足风险
• 数据缺失风险
• 超时风险
• 用户期望管理

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<string> {
  // 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<MemorySnippet[]> {
  // 使用 memory_search 工具
  // 返回相关记忆片段
}

// 检索技能列表
async function listSkills(): Promise<SkillInfo[]> {
  // 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<SessionHistory[]> {
  // 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<ThinkingResult> {
  // 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