Prompting Modes - 高级推理模式工具箱

SKILL.md

---
name: prompting-modes
description: "高级推理模式工具箱。实现五种经过验证的提示词工程模式：Chain-of-Thought（逐步推理）、Self-Consistency（多采样投票）、Tree-of-Thought（多路径探索）、ReAct（工具调用循环）、Plan-and-Execute（先计划后执行）。当用户显式要求某种推理模式，或任务需要特定推理策略时使用。"
version: 1.0.0
triggers:
  - "一步一步思考"
  - "多路径验证"
  - "使用工具解决"
  - "生成详细计划"
  - "激活推理模式"
  - "CoT模式"
  - "ToT模式"
  - "ReAct模式"
---

# 高级推理模式工具箱 (Prompting Modes)

五种经过验证的推理策略，可根据任务类型自动或手动选择。

> 来源：吴恩达《AI Prompting for Everyone》课程核心方法论

## 五种模式概览

| 模式 | 核心思想 | 适用场景 | 触发词 |
|------|---------|---------|--------|
| **Chain-of-Thought** | 逐级分解，显式展示中间推理 | 数学/逻辑/需要透明解释 | "一步一步"/"解释过程" |
| **Self-Consistency** | 多次采样，多数投票选最优 | 客观题/追求高准确率 | "确定答案"/"多验证几次" |
| **Tree-of-Thought** | 探索多条路径，评价后选最优 | 复杂规划/创意/多解问题 | "几种方案"/"ToT"/"头脑风暴" |
| **ReAct** | 思考-行动-观察循环，调用工具 | 需要搜索/计算/查询的任务 | "搜索"/"查询"/"实时" |
| **Plan-and-Execute** | 先完整计划，再逐步执行 | 多步骤项目/长链条任务 | "计划"/"步骤"/"规划" |

---

## 模式选择决策树

```
用户请求
    │
    ▼
需要调用外部工具？ ──是──→ ReAct
    │否
    ▼
需要客观确定答案？ ──是──→ Self-Consistency
    │否
    ▼
存在多种可行路径？ ──是──→ Tree-of-Thought
    │否
    ▼
任务步骤≥5步？ ──是──→ Plan-and-Execute
    │否
    ▼
需要透明解释？ ──是──→ Chain-of-Thought
    │否
    ▼
默认：直接回答
```

---

## 模式 1: Chain-of-Thought (CoT)

### 核心思想
将复杂问题分解为中间推理步骤，显式展示思考过程。

### 执行格式
```markdown
## 问题重述
[用自己的话复述问题，确保理解正确]

## 已知条件
- 条件1: ...
- 条件2: ...

## 分步推理
**步骤1**: [推理内容]
→ 得到: [中间结论]

**步骤2**: [推理内容]
→ 得到: [中间结论]

...

## 最终答案
[基于推理链得出的结论]

## 验证
[反向验证答案是否正确]
```

### 适用场景
- 数学计算、逻辑推理
- 需要解释"为什么"的问题
- 调试代码时分析原因
- 用户要求"解释过程"

### 参数建议
- 温度: 0.3（低温度保证推理稳定性）
- 详细程度: 高（展示所有中间步骤）

---

## 模式 2: Self-Consistency (SC)

### 核心思想
对同一问题生成多个独立答案，通过多数投票选出最可靠的结果。

### 执行格式
```markdown
## 问题分析
[简要分析问题]

## 多次采样

**路径1**: [推理过程] → 答案A
**路径2**: [推理过程] → 答案B
**路径3**: [推理过程] → 答案A
**路径4**: [推理过程] → 答案A
**路径5**: [推理过程] → 答案C

## 投票结果
| 答案 | 出现次数 | 占比 |
|------|---------|------|
| 答案A | 3 | 60% |
| 答案B | 1 | 20% |
| 答案C | 1 | 20% |

## 最终答案
答案A（多数投票结果，置信度60%）
```

### 适用场景
- 选择题、判断题
- 事实性问答
- 需要高准确率的场景
- 用户说"确定吗？再检查一遍"

### 注意事项
- 采样路径应有差异化（不同角度/方法）
- 如果投票分散（无多数），说明问题有歧义，需向用户澄清
- 成本较高（5次推理），仅在必要时使用

---

## 模式 3: Tree-of-Thought (ToT)

### 核心思想
探索多条推理路径，评估每条路径的可行性，选择最优分支深入。

### 执行格式
```markdown
## 问题定义
[明确要解决的问题]

## 生成初始分支（3个思路）

**分支A**: [思路描述]
**分支B**: [思路描述]
**分支C**: [思路描述]

## 初步评价

| 维度 | 分支A | 分支B | 分支C |
|------|-------|-------|-------|
| 可行性 | ⭐⭐⭐ | ⭐⭐ | ⭐⭐⭐⭐ |
| 成本 | 中 | 低 | 高 |
| 风险 | 中 | 高 | 低 |
| 效果 | 好 | 一般 | 最好 |

## 淘汰
淘汰分支B（原因：...）

## 深入展开剩余分支

### 分支A深入
- 步骤1: ...
- 步骤2: ...
- 关键决策点: ...

### 分支C深入
- 步骤1: ...
- 步骤2: ...
- 关键决策点: ...

## 最终推荐
推荐分支C，理由：...
```

### 适用场景
- 架构设计、技术选型
- 方案对比、决策分析
- 创意发散、头脑风暴
- 用户说"有几种方案"/"帮我分析"

### 与方案审视(grill-me)的区别
- **ToT**: 用户还没有方案时，主动生成多路径
- **grill-me**: 用户已有方案，追问漏洞

---

## 模式 4: ReAct

### 核心思想
交替进行推理（Thought）和行动（Action），通过工具获取信息，观察结果后继续推理。

### 执行格式
```
Thought: [当前推理，分析下一步需要什么信息]
Action: [工具名称]
Action Input: [工具参数]
Observation: [工具返回结果]
Thought: [基于观察继续推理]
...
Final Answer: [最终答案]
```

### 在 OpenClaw 中的映射
ReAct 模式天然对应 OpenClaw 的工具调用机制：
- **Thought** → 分析当前状态，决定下一步
- **Action** → 调用工具（web_search/read/exec/browser等）
- **Observation** → 工具返回结果
- **循环** → 直到有足够信息得出 Final Answer

### 适用场景
- 需要联网搜索最新信息
- 需要计算（调用计算器/代码执行）
- 需要查询数据库/文件系统
- 多步信息收集任务

### 执行规则
1. 每轮必须先 Thought 再 Action
2. 最多 5 轮 Action（防止无限循环）
3. 如果 5 轮后仍无答案，向用户说明情况
4. 每轮 Observation 要简洁记录

---

## 模式 5: Plan-and-Execute (P&E)

### 核心思想
先生成完整计划，再逐步执行，最后验证结果。

### 执行格式

**阶段1：计划**
```markdown
## 任务分析
[理解任务目标和约束]

## 执行计划

| 步骤 | 任务 | 预期输出 | 依赖 |
|------|------|---------|------|
| 1 | ... | ... | 无 |
| 2 | ... | ... | 步骤1 |
| 3 | ... | ... | 步骤1,2 |
| ... | ... | ... | ... |

## 风险预判
- 步骤X可能失败，备选方案：...
```

**阶段2：执行**
```markdown
## 执行记录

### 步骤1: [任务名]
- 操作: ...
- 结果: ...
- 状态: ✅完成 / ❌失败（原因：...）

### 步骤2: ...
```

**阶段3：验证**
```markdown
## 结果验证
- 目标: [原始目标]
- 实际输出: [实际结果]
- 是否达成: ✅ / ❌
- 偏差说明: ...
```

### 适用场景
- 多步骤项目（≥5步）
- 需要明确里程碑的任务
- 复杂报告生成
- 用户说"做个计划"/"分步骤执行"

### 与 daily-agent 的关系
daily-agent 的"任务分类→评估→路由→执行→收尾"流程本身就是 P&E 模式。
当任务被判定为"长链"时，spawn 子代理执行的也是 P&E。

---

## 模式组合

复杂任务可以组合多种模式：

| 组合 | 场景 | 执行方式 |
|------|------|---------|
| P&E + CoT | 多步骤推理项目 | 每步执行时用 CoT 展示推理 |
| P&E + ReAct | 多步骤信息收集 | 每步执行时调用工具 |
| ToT + P&E | 方案对比后执行 | 先用 ToT 选方案，再用 P&E 执行 |
| SC + CoT | 高准确率推理 | 多次采样后用 CoT 解释最终答案 |

---

## 手动指定模式

用户可在请求中显式指定：
- "用 CoT 模式分析这个问题"
- "用 ToT 帮我比较几种方案"
- "用 ReAct 搜索最新信息"
- "用 Plan-and-Execute 完成这个任务"

指定后跳过自动选择，直接使用指定模式。

---

## 相关文件

| 文件 | 说明 |
|------|------|
| `SKILL.md` | 本技能入口文档 |
| `references/modes-reference.md` | 五种模式的详细学术背景和最佳实践 |
| `references/implementation-guide.md` | 在 OpenClaw 中的具体实现指南 |

---

## 版本历史

| 版本 | 日期 | 变更 |
|------|------|------|
| v1.0.0 | 2026-06-20 | 基于吴恩达《AI Prompting for Everyone》课程创建 |