sequential-thinking
複雑な問題に対して、段階的な思考プロセスで体系的に対応する必要があるときに活用できます。思考を修正したり、別のアプローチに切り替えたり、対応範囲を動的に調整したりする機能を備えています。多段階の分析、設計計画、問題の分解、または初期段階では対応範囲が不明確なタスクに最適です。
description の原文を見る
Use when complex problems require systematic step-by-step reasoning with ability to revise thoughts, branch into alternative approaches, or dynamically adjust scope. Ideal for multi-stage analysis, design planning, problem decomposition, or tasks with initially unclear scope.
SKILL.md 本文
シーケンシャル・シンキング
反復的な推論と修正・分岐機能を備えた構造化問題解決を実現します。
コア機能
- 反復的推論: 複雑な問題を段階的な思考ステップに分解
- 動的スコープ: 理解が深まるにつれて思考の総数を調整
- 修正追跡: 前の結論を再検討・修正
- 分岐探索: 任意のポイントから代替推論パスを探索
- コンテキスト保持: 分析全体を通じて推論チェーンを追跡
使用時機
以下の場合に mcp__reasoning__sequentialthinking を使用します:
- 問題が複数の相互に関連する推論ステップを必要とする場合
- 初期スコープまたはアプローチが不確定な場合
- 複雑性をフィルタリングして中核問題を見つける必要がある場合
- 前の結論に戻るか修正する必要がある場合
- 代替ソリューションパスを探索したい場合
使用しない場合: 単純なクエリ、直接的な事実、または単一ステップのタスク。
基本的な使い方
MCP ツール mcp__reasoning__sequentialthinking は以下のパラメータを受け入れます:
必須パラメータ
thought(文字列): 現在の推論ステップnextThoughtNeeded(真偽値): さらに推論が必要かどうかthoughtNumber(整数): 現在のステップ番号(1 から開始)totalThoughts(整数): 推定される必要なステップ総数
オプションパラメータ
isRevision(真偽値): これが前の思考を修正することを示すrevisesThought(整数): 再検討される思考番号branchFromThought(整数): 分岐元の思考番号branchId(文字列): この推論分岐の識別子
ワークフロー パターン
1. 初期思考から開始 (thoughtNumber: 1)
2. 各ステップについて:
- `thought` に現在の推論を表現
- `totalThoughts` で残りの作業を推定(動的に調整)
- `nextThoughtNeeded: true` を設定して続行
3. 結論に到達したら `nextThoughtNeeded: false` を設定
シンプルな例
// 最初の思考
{
thought: "Problem involves optimizing database queries. Need to identify bottlenecks first.",
thoughtNumber: 1,
totalThoughts: 5,
nextThoughtNeeded: true
}
// 2番目の思考
{
thought: "Analyzing query patterns reveals N+1 problem in user fetches.",
thoughtNumber: 2,
totalThoughts: 6, // Adjusted scope
nextThoughtNeeded: true
}
// ... 完了まで継続
高度な機能
修正パターン、分岐戦略、複雑なワークフローについては、以下をご覧ください:
Advanced Usage- 修正と分岐パターンExamples- 実際の使用例
ヒント
totalThoughtsの初期推定は粗く見積もり、進むにつれて調整- 仮定が間違っていることが判明した場合は修正を使用
- 複数のアプローチが有効に見える場合は分岐
- 思考の中で不確実性を明示的に表現
- スコープを自由に調整 - 精度より進捗の可視化が重要
ライセンス: MIT(寛容ライセンスのため全文を引用しています) · 原本リポジトリ
詳細情報
- 作者
- nordeim
- ライセンス
- MIT
- 最終更新
- 2026/4/14
Source: https://github.com/nordeim/Prompt-Engineering / ライセンス: MIT
関連スキル
agent-browser
AI エージェント向けのブラウザ自動化 CLI です。ウェブサイトとの対話が必要な場合に使用します。ページ遷移、フォーム入力、ボタンクリック、スクリーンショット取得、データ抽出、ウェブアプリのテスト、ブラウザ操作の自動化など、あらゆるブラウザタスクに対応できます。「ウェブサイトを開く」「フォームに記入する」「ボタンをクリックする」「スクリーンショットを取得する」「ページからデータを抽出する」「このウェブアプリをテストする」「サイトにログインする」「ブラウザ操作を自動化する」といった要求や、プログラマティックなウェブ操作が必要なタスクで起動します。
anyskill
AnySkill — あなたのプライベート・スキルクラウド。GitHubを基盤としたリポジトリからエージェントスキルを管理、同期、動的にロードできます。自然言語でクラウドスキルを検索し、オンデマンドでプロンプトを自動ロード、カスタムスキルのアップロードと共有、スキルバンドルの一括インストールが可能です。OpenClaw、Antigravity、Claude Code、Cursorに対応しています。
engram
AIエージェント向けの永続的なメモリシステムです。バグ修正、意思決定、発見、設定変更の後はmem_saveを使用してください。ユーザーが「覚えている」「記憶している」と言及した場合、または以前のセッションと重複する作業を開始する際はmem_searchを使用します。セッション終了前にmem_session_summaryを使用して、コンテキストを保持してください。
skyvern
AI駆動のブラウザ自動化により、任意のウェブサイトを自動化できます。フォーム入力、データ抽出、ファイルダウンロード、ログイン、複数ステップのワークフロー実行など、ユーザーがウェブサイトと連携する必要があるときに使用します。Skyvernは、LLMとコンピュータビジョンを活用して、未知のサイトも自動操作可能です。Python SDK、TypeScript SDK、REST API、MCPサーバー、またはCLIを通じて統合できます。
pinchbench
PinchBenchベンチマークを実行して、OpenClawエージェントの実世界タスクにおけるパフォーマンスを評価できます。モデルの機能テスト、モデル間の比較、ベンチマーク結果のリーダーボード提出、またはOpenClawのセットアップがカレンダー、メール、リサーチ、コーディング、複数ステップのワークフローにどの程度対応しているかを確認する際に使用します。
openui
OpenUIとOpenUI Langを使用してジェネレーティブUIアプリを構築できます。これらはLLM生成インターフェースのためのトークン効率的なオープン標準です。OpenUI、@openuidev、ジェネレーティブUI、LLMからのストリーミングUI、AI向けコンポーネントライブラリ、またはjson-render/A2UIの置き換えについて述べる際に使用します。スキャフォルディング、defineComponent、システムプロンプト、Renderer、およびOpenUI Lang出力のデバッグに対応しています。