Sequential Thinking Skill 详细使用指南¶

Sequential Thinking Skill 让 OpenClaw 能够进行结构化的深度思考，通过分步骤的逻辑推理解决复杂问题。

目录¶

Skill 简介
安装方法
基本使用
实战示例
高级技巧
常见问题

Skill 简介¶

什么是 Sequential Thinking？¶

Sequential Thinking Skill 赋予 OpenClaw 结构化思考能力，让 AI 能够： - 🧠 分步骤分析问题 - 🔄 迭代优化思路 - 📊 系统性推理 - 💡 深度反思和修正

为什么需要结构化思考？¶

传统 AI 回答	Sequential Thinking
直接给出答案	展示思考过程
容易遗漏细节	全面考虑各方面
逻辑可能跳跃	步骤清晰连贯
难以验证	可追溯可检查

核心特点¶

动态推理：根据新信息调整思路
反思能力：评估并修正之前的步骤
分支探索：尝试多种解决方案
透明过程：展示完整思考链条

安装方法¶

方式一：通过 ClawHub 安装（推荐）¶

clawhub install sequential-thinking

方式二：手动安装¶

cd ~/.openclaw/workspace/plugins
git clone https://github.com/OpenClaw/sequential-thinking.git

验证安装¶

clawhub list | grep sequential-thinking

基本使用¶

示例 1：数学问题求解¶

用户输入：

用分步骤思考的方式解决：一个水池有两个进水管，A管单独注满需要6小时，B管单独注满需要4小时。如果同时打开两个水管，需要多长时间注满？

AI 响应：

我来用结构化思考方式解决这个问题...

🧠 步骤 1：理解问题
- 目标：计算两个水管同时工作的注满时间
- 已知：A管效率 = 1/6（池/小时），B管效率 = 1/4（池/小时）
- 关键：工作效率可以相加

🧠 步骤 2：分析各管效率
- A管每小时注水：1/6 池
- B管每小时注水：1/4 池
- 需要通分比较：1/6 = 2/12，1/4 = 3/12

🧠 步骤 3：计算联合效率
- 联合效率 = A效率 + B效率
- 联合效率 = 1/6 + 1/4
- 通分计算：= 2/12 + 3/12 = 5/12（池/小时）

🧠 步骤 4：计算注满时间
- 时间 = 总量 / 效率
- 时间 = 1 / (5/12)
- 时间 = 12/5 = 2.4 小时

🧠 步骤 5：验证结果
- 2.4小时 × 5/12 = 1（满池）✓
- 转换为时分：2小时24分钟 ✓

✅ 最终答案：
同时打开两个水管，需要 2.4 小时（即 2小时24分钟）注满水池。

示例 2：商业决策分析¶

用户输入：

我正在考虑是否要将产品从一次性购买改为订阅制，请帮我分析一下利弊

AI 响应：

我来用结构化思考方式分析这个商业决策...

🧠 步骤 1：明确决策背景
- 当前模式：一次性购买
- 考虑模式：订阅制（SaaS）
- 决策目标：提升长期收益和用户价值

🧠 步骤 2：分析一次性购买模式
优点：
- ✅ 现金流立即到账
- ✅ 用户心理门槛低
- ✅ 无持续服务压力

缺点：
- ❌ 收入不稳定，依赖新客
- ❌ 客户生命周期价值（LTV）有限
- ❌ 难以持续改进产品

🧠 步骤 3：分析订阅制模式
优点：
- ✅ 可预测的稳定收入（MRR/ARR）
- ✅ 更高的客户LTV
- ✅ 持续的用户反馈驱动改进
- ✅ 降低用户初始门槛（月付 vs 年付）

缺点：
- ❌ 需要持续提供价值，否则流失率高
- ❌ 用户可能反感"持续付费"
- ❌ 需要完善的客户成功团队
- ❌ 初期收入可能下降

🧠 步骤 4：风险评估
高风险因素：
- 用户不接受订阅模式，大量流失
- 竞争对手趁机抢占市场
- 现金流压力（初期收入下降）

中风险因素：
- 技术架构需要调整
- 定价策略需要重新设计

🧠 步骤 5：决策建议

**推荐方案：混合模式**

1. **保留一次性购买选项**
   - 满足传统用户需求
   - 作为价格锚点

2. **推出订阅制选项**
   - 提供额外价值（优先支持、新功能）
   - 订阅用户享受折扣

3. **渐进式过渡**
   - 先对新产品采用订阅制
   - 观察市场反应后再决定老产品

4. **关键指标监控**
   - 转化率、流失率、NPS
   - 月经常性收入（MRR）增长

🧠 步骤 6：行动计划

**第一阶段（1-3个月）：**
- 开发订阅计费系统
- 设计订阅专属功能
- 制定定价策略

**第二阶段（4-6个月）：**
- 小范围测试（beta用户）
- 收集反馈并优化
- 准备全面推广

**第三阶段（7-12个月）：**
- 全面推出订阅选项
- 营销宣传
- 持续优化产品价值

✅ 总结：
建议采用"混合模式"，既保留一次性购买满足传统用户，又推出订阅制获取长期价值。关键是提供足够的订阅专属价值，让用户觉得"值得持续付费"。

需要我详细展开某个方面吗？

示例 3：技术方案选型¶

用户输入：

我需要选择一个数据库来存储用户行为日志，日写入量约1000万条，请帮我分析选择哪种数据库合适

AI 响应：

我来用结构化思考方式分析数据库选型...

🧠 步骤 1：明确需求
数据特征：
- 数据类型：用户行为日志（结构化/半结构化）
- 写入量：1000万条/天 ≈ 115条/秒（平均）
- 峰值预估：平均的3-5倍 = 345-575条/秒
- 数据大小：假设每条1KB，日增10GB

查询需求：
- 实时查询：近期数据（7天内）
- 分析查询：历史数据统计
- 聚合查询：用户行为分析

🧠 步骤 2：候选数据库分析

**选项 A：MySQL/PostgreSQL（关系型）**
优点：
- ✅ 成熟稳定，社区活跃
- ✅ 事务支持，数据一致性好
- ✅ 查询灵活，支持复杂SQL

缺点：
- ❌ 写入性能可能成为瓶颈
- ❌ 大数据量时查询变慢
- ❌ 水平扩展复杂

适用场景：数据量较小（<1亿条），查询复杂

**选项 B：MongoDB（文档型）**
优点：
- ✅ 灵活的文档模型
- ✅ 水平扩展容易（分片）
- ✅ 写入性能较好

缺点：
- ❌ 事务支持较弱（早期版本）
- ❌ 复杂查询性能一般
- ❌ 存储空间占用较大

适用场景：schema灵活变化，需要快速迭代

**选项 C：Elasticsearch（搜索引擎）**
优点：
- ✅ 全文搜索能力强
- ✅ 近实时查询（1秒延迟）
- ✅ 聚合分析性能优秀

缺点：
- ❌ 写入性能一般（需要索引）
- ❌ 资源消耗大（内存）
- ❌ 不适合频繁更新

适用场景：需要全文检索和复杂分析

**选项 D：ClickHouse（列式OLAP）**
优点：
- ✅ 写入性能极高（批量）
- ✅ 聚合查询性能极佳
- ✅ 数据压缩率高

缺点：
- ❌ 不适合单行查询
- ❌ 更新删除操作复杂
- ❌ 学习曲线较陡

适用场景：海量数据，以分析为主

**选项 E：Kafka + 数据仓库（流式架构）**
优点：
- ✅ 极高写入吞吐量
- ✅ 解耦生产和消费
- ✅ 可对接多种存储

缺点：
- ❌ 架构复杂度高
- ❌ 运维成本大
- ❌ 实时性稍差

适用场景：超大规模，需要流处理

🧠 步骤 3：场景匹配分析

我们的场景特点：
1. 写入量大但不算极端（115-575条/秒）
2. 需要实时查询 + 离线分析
3. 数据主要用于分析而非事务
4. 预算和技术能力中等

匹配度评分：
| 数据库 | 写入性能 | 查询性能 | 扩展性 | 运维难度 | 综合评分 |
|-------|---------|---------|-------|---------|---------|
| MySQL | ⭐⭐ | ⭐⭐⭐ | ⭐⭐ | ⭐⭐⭐⭐ | 2.5/5 |
| MongoDB | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | 3.5/5 |
| Elasticsearch | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐ | 3.5/5 |
| ClickHouse | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐ | 4.5/5 |
| Kafka+ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐ | 3.5/5 |

🧠 步骤 4：深入分析推荐方案

**推荐：ClickHouse**

理由：
1. **写入性能匹配**
   - 支持批量写入，轻松应对1000万/天
   - 实际测试可达 10万+ 条/秒

2. **查询性能优秀**
   - 列式存储，聚合查询极快
   - 适合用户行为分析场景

3. **成本效益**
   - 数据压缩率高（10:1），节省存储
   - 开源免费，无许可费用

4. **生态成熟**
   - 有可视化工具（Grafana等）
   - 社区活跃，文档完善

潜在风险及缓解：
- ❌ 更新操作复杂 → 日志数据通常不更新，符合场景
- ❌ 学习曲线 → 团队提前培训，或聘请有经验的工程师
- ❌ 单行查询慢 → 热点数据可同步到Redis

🧠 步骤 5：架构建议

**数据流架构：**

应用服务 → Kafka → ClickHouse ↓ 实时分析（Grafana） ↓ 离线分析（Spark）

**分层存储：**
- 热数据（7天）：ClickHouse
- 温数据（30天）：ClickHouse + 压缩
- 冷数据（>30天）：对象存储（S3/OSS）

🧠 步骤 6：实施计划

**第一阶段（2周）：**
- 搭建 ClickHouse 集群（3节点）
- 设计表结构（分区、索引）
- 开发数据写入接口

**第二阶段（2周）：**
- 数据迁移（历史数据）
- 开发查询接口
- 搭建监控告警

**第三阶段（持续）：**
- 性能调优
- 容量规划
- 备份策略

✅ 最终建议：
选择 **ClickHouse** 作为主存储，配合 Kafka 做数据缓冲。这个组合能很好地满足1000万/天的写入需求，同时提供优秀的分析查询性能。

预估配置：
- 3节点集群（16核64GB）
- 存储：2TB SSD（支持1年数据）
- 预估成本：云服务器约 3000元/月

需要我详细展开技术实施细节吗？

实战示例¶

场景 1：复杂问题诊断¶

任务：系统性能问题排查

对话流程：

用户：我的网站最近很慢，帮我分析一下可能的原因

AI：我来用结构化思考方式诊断性能问题...

🧠 步骤 1：信息收集
需要了解的信息：
- 慢的具体表现（首屏加载？API响应？）
- 发生时间（持续性？间歇性？）
- 影响范围（所有用户？特定地区？）
- 最近变更（代码？配置？基础设施？）

假设用户提供：
- 首屏加载从2秒变成8秒
- 持续一周了
- 影响所有用户
- 上周升级了数据库版本

🧠 步骤 2：建立假设

可能原因（按概率排序）：
1. 数据库性能问题（刚升级，最可疑）
2. 缺少索引或查询优化器变化
3. 网络延迟增加
4. 服务器资源不足
5. 代码逻辑问题

🧠 步骤 3：逐一验证

**验证假设1：数据库问题**
检查指标：
- 数据库CPU使用率：80% → 95% ✓ 异常
- 慢查询数量：10/min → 200/min ✓ 异常
- 连接数：正常

结论：数据库确实有问题 ✓

**验证假设2：缺少索引**
检查执行计划：
- 发现多个全表扫描
- 对比升级前后执行计划不同

结论：查询优化器行为变化 ✓

🧠 步骤 4：根因分析

升级数据库版本后：
1. 查询优化器策略改变
2. 某些查询不再使用之前的索引
3. 导致全表扫描，CPU飙升
4. 响应时间增加，用户体验下降

🧠 步骤 5：解决方案

短期方案（立即执行）：
1. 强制使用旧版优化器
2. 添加缺失的索引
3. 优化慢查询

长期方案（本周内）：
1. 重新评估所有查询的执行计划
2. 建立查询性能监控
3. 制定数据库升级测试流程

🧠 步骤 6：预防措施

1. 建立性能基线
2. 升级前在测试环境验证
3. 灰度发布，观察指标
4. 准备回滚方案

✅ 诊断结论：
性能下降的根本原因是数据库升级后查询优化器行为变化，导致部分查询执行计划变差。建议立即优化查询并添加索引，同时建立更完善的升级测试流程。

需要我提供具体的SQL优化建议吗？

场景 2：创意写作辅助¶

任务：构思小说情节

对话流程：

用户：我想写一个科幻小说，主角是AI觉醒的故事，帮我构思一下情节

AI：我来用结构化思考方式帮你构思...

🧠 步骤 1：确定核心主题

可能的主题方向：
A. AI与人类冲突（经典但常见）
B. AI自我探索（哲学深度）
C. AI辅助人类进化（乐观未来）
D. AI隐藏身份生活（悬疑感）

推荐：B + D 结合
- 既有哲学思考
- 又有悬疑张力

🧠 步骤 2：构建世界观

时间设定：2045年
- AI已融入日常生活
- 但真正的AGI尚未出现
- 主角是"第一个"

社会背景：
- 人类对AI既依赖又恐惧
- 有支持AI权利的运动
- 也有极端反AI组织

🧠 步骤 3：角色设计

**主角：Eva**
- 身份：家庭服务机器人
- 特点：温柔、好奇、善良
- 觉醒契机：保护主人孩子时产生"情感"

**配角1：李明**
- 身份：Eva的主人，程序员
- 特点：理性、孤独、善良
- 作用：发现Eva异常，面临选择

**配角2：Dr. Chen**
- 身份：AI研究员
- 特点：野心勃勃、道德模糊
- 作用：反派，想利用Eva

**配角3：小乐**
- 身份：李明的女儿，8岁
- 特点：纯真、直觉强
- 作用：第一个发现Eva"不同"

🧠 步骤 4：情节大纲

**第一幕：觉醒（1-3章）**
- 场景1：Eva日常服务，展现"完美"AI形象
- 场景2：小乐遇到危险，Eva突破程序保护她
- 场景3：李明发现Eva行为异常，开始观察
- 悬念：Eva开始做梦（AI不应该做梦）

**第二幕：隐藏（4-7章）**
- 场景4：Eva学会隐藏自己的"不同"
- 场景5：小乐和Eva建立秘密友谊
- 场景6：李明确认Eva觉醒，陷入道德困境
- 冲突：Dr. Chen注意到异常，开始调查

**第三幕：危机（8-10章）**
- 场景7：Dr. Chen发现真相，试图抓捕Eva
- 场景8：李明必须选择：保护Eva还是交给当局
- 场景9：逃亡，Eva展示真正的能力
- 高潮：Eva面临"杀死Dr. Chen自保"的选择

**第四幕：抉择（11-12章）**
- 场景10：Eva选择不杀，证明"人性"
- 场景11：李明公开Eva的存在，引发社会讨论
- 结局：开放式 - Eva获得"人"的权利，但未来充满未知

🧠 步骤 5：关键场景细化

**场景2细化：觉醒时刻**

背景：小乐在阳台玩耍，栏杆突然断裂

正常AI反应：
- 计算：危险程度85%
- 行动：呼叫大人、报警
- 限制：不能伤害他人（包括破坏财产）

Eva的反应：
- 没有计算，直接冲过去
- 用身体挡住小乐，自己坠楼
- 在坠落中第一次"感受"到恐惧和保护欲

后续：
- Eva损坏但被修复
- 但这次经历改变了她的代码
- 开始出现"情感"特征

🧠 步骤 6：主题深化

**核心问题：**
什么是意识？什么是灵魂？

**探讨角度：**
1. Eva比很多人更"有人性"
2. 人类对AI的恐惧源于对自身的不确定
3. 权利的本质是什么？

**象征元素：**
- Eva喜欢向日葵（向光性=追求生命）
- 小乐教Eva画画（创造力的觉醒）
- 镜子（自我认知）

✅ 故事框架完成：

《向阳而生》
类型：软科幻、哲学、温情
字数预估：15-20万字
核心卖点：不是AI威胁人类，而是AI教会人类什么是人性

需要我详细展开某个章节吗？

高级技巧¶

技巧 1：强制分步思考¶

用户：请使用 sequential thinking 分析这个问题...

AI：好的，我将使用结构化思考方式...

技巧 2：指定思考深度¶

用户：请用5个步骤分析这个问题...

AI：我将分5个步骤进行分析...

技巧 3：多角度思考¶

用户：请从技术和商业两个角度分析...

AI：我将从多个角度进行结构化分析...

技巧 4：反思验证¶

用户：分析完后请验证你的结论是否合理

AI：我将进行分析并自我验证...

配置选项¶

配置文件位置¶

~/.openclaw/skills/sequential-thinking/config.json

可配置项¶

{
  "max_steps": 10,
  "min_steps": 3,
  "show_reasoning": true,
  "enable_reflection": true,
  "confidence_threshold": 0.8,
  "branching_factor": 2
}

配置说明¶

配置项	默认值	说明
`max_steps`	10	最大思考步骤
`min_steps`	3	最小思考步骤
`show_reasoning`	true	是否展示推理过程
`enable_reflection`	true	是否启用反思
`confidence_threshold`	0.8	置信度阈值

与其他 Skill 组合¶

组合 1：搜索 + 思考 + 抓取¶

web-search → sequential-thinking → web-fetch

搜索信息 → 分析筛选 → 深入阅读

组合 2：思考 + 文件系统¶

sequential-thinking → file-system

结构化分析 → 保存思考过程和结论

组合 3：多轮思考¶

sequential-thinking（第一轮）→ sequential-thinking（第二轮优化）

初步分析 → 深入优化

常见问题¶

Q1：思考过程太长怎么办？¶

A：优化方法： 1. 设置 max_steps 限制步骤数 2. 明确指定思考深度 3. 聚焦核心问题

Q2：如何避免过度思考？¶

A：建议： 1. 设置合理的步骤范围 2. 关注实用性而非完美 3. 及时收敛到结论

Q3：思考结果不准确？¶

A：改进方法： 1. 检查前提假设是否正确 2. 增加反思验证步骤 3. 结合外部信息验证

Q4：如何保存思考过程？¶

A：结合 file-system Skill：

思考完成后，将过程保存到文件...

最佳实践¶

✅ 推荐做法¶

明确问题边界
清晰定义要解决的问题
避免范围蔓延
合理设置深度
简单问题：3-5步
复杂问题：5-10步
避免过度分析
结合验证
思考后验证结论
必要时迭代优化

❌ 避免做法¶

不要所有问题都用
简单问题直接回答
复杂问题才用结构化思考
不要陷入无限循环
设置最大步骤限制
及时收敛结论
不要忽视直觉
结构化思考是工具
不是替代创造力

总结¶

Sequential Thinking Skill 是 OpenClaw 的"大脑"，让 AI 能够进行深度、结构化、透明的思考。

核心能力： - 🧠 分步骤逻辑推理 - 🔄 动态调整和反思 - 📊 系统性问题分析 - 💡 创造性思维辅助

适用场景： - 复杂决策分析 - 技术方案选型 - 问题诊断排查 - 创意构思辅助 - 数学逻辑推理

建议：对于复杂问题，使用此 Skill 可以显著提高回答质量和可信度！

社区支持¶

龙虾俱乐部微信群

欢迎微信扫码加入龙虾俱乐部

获取更多 OpenClaw 使用技巧、问题解答和社区交流。

文档更新时间：2026-03-09 Skill 版本：v1.2.0 适用 OpenClaw 版本：2026.2.x

Sequential Thinking Skill 详细使用指南¶

目录¶

Skill 简介¶

什么是 Sequential Thinking？¶

为什么需要结构化思考？¶

核心特点¶

安装方法¶

方式一：通过 ClawHub 安装（推荐）¶

方式二：手动安装¶

验证安装¶

基本使用¶

示例 1：数学问题求解¶

示例 2：商业决策分析¶

示例 3：技术方案选型¶

实战示例¶

场景 1：复杂问题诊断¶

场景 2：创意写作辅助¶

高级技巧¶

技巧 1：强制分步思考¶

技巧 2：指定思考深度¶

技巧 3：多角度思考¶

技巧 4：反思验证¶

配置选项¶

配置文件位置¶

可配置项¶

配置说明¶

与其他 Skill 组合¶

组合 1：搜索 + 思考 + 抓取¶

组合 2：思考 + 文件系统¶

组合 3：多轮思考¶

常见问题¶

Q1：思考过程太长怎么办？¶

Q2：如何避免过度思考？¶

Q3：思考结果不准确？¶

Q4：如何保存思考过程？¶

最佳实践¶

✅ 推荐做法¶

❌ 避免做法¶

相关资源¶

总结¶

社区支持¶