问题解决类工具
问题解决类工具是"天机"的核心引擎,帮助用户通过思维模型系统性地解决复杂问题。这些工具专注于思考过程的结构化、合理化和优化,使问题解决更加高效和全面。
问题导向推荐 (recommend-models-for-problem)
找到合适的思考工具
功能描述
recommend-models-for-problem
工具根据问题的关键词和上下文,智能推荐最适合解决该问题的思维模型组合。这是"天机"中最常用的工具之一,特别适合不确定应该使用哪种思维模型的情况。
参数说明
参数名 | 类型 | 必填 | 默认值 | 说明 |
---|---|---|---|---|
problem_keywords |
字符串数组 | 是 | - | 问题关键词数组,至少需提供一个关键词 |
problem_context |
字符串 | 否 | - | 问题的完整上下文描述 |
limit |
数字 | 否 | 10 | 返回结果数量限制 |
use_learning_adjustment |
布尔值 | 否 | true | 是否使用学习系统调整推荐结果 |
lang |
字符串 | 否 | "zh" | 语言代码,支持 "zh"(中文) 或 "en"(英文) |
使用示例
// 基本推荐查询
{
"problem_keywords": ["决策", "不确定性"],
"lang": "zh"
}
// 带有详细上下文的推荐查询
{
"problem_keywords": ["产品创新", "市场竞争", "差异化"],
"problem_context": "我们是一家中型软件公司,面临市场激烈竞争,需要在现有产品线基础上进行创新,寻找差异化竞争优势,但资源有限,需要做出最有效的创新决策。",
"limit": 5,
"lang": "zh"
}
// 不使用学习系统调整的推荐查询
{
"problem_keywords": ["团队管理", "冲突"],
"use_learning_adjustment": false,
"lang": "zh"
}
实际应用场景
- 面对新问题时寻找合适的思考框架
- 在决策前扩展多种思考角度
- 分析复杂问题时获取系统性思维支持
- 教学环境中为特定主题推荐思维工具
假设生成与验证 (generate-validate-hypotheses)
系统化的科学思维
功能描述
generate-validate-hypotheses
工具基于问题和上下文,系统性生成多个合理的假设,并提供针对每个假设的验证方法。此工具促进科学思维的形成,帮助用户避免单一假设导致的认知偏差。
参数说明
参数名 | 类型 | 必填 | 默认值 | 说明 |
---|---|---|---|---|
problem |
字符串 | 是 | - | 需要解决的问题描述 |
context |
字符串 | 是 | - | 问题相关的背景信息 |
lang |
字符串 | 否 | "zh" | 语言代码,支持 "zh"(中文) 或 "en"(英文) |
使用示例
// 为业务问题生成假设
{
"problem": "公司网站流量在过去三个月持续下降,如何扭转这一趋势?",
"context": "我们是一家B2B软件公司,主要客户为中小企业。最近三个月网站流量下降了30%,同时转化率也从2.5%降到了1.8%。期间我们更新了网站设计,并调整了部分内容策略。",
"lang": "zh"
}
// 为产品设计问题生成假设
{
"problem": "新推出的移动应用用户留存率低,如何提高30天留存?",
"context": "我们上个月推出了健康追踪应用,首日下载量很高,但30天留存率只有12%,远低于行业平均的20%。用户调研显示初始体验良好,但长期使用动力不足。",
"lang": "zh"
}
实际应用场景
- 业务问题诊断与解决方案探索
- 产品功能设计时的多方案评估
- 市场策略调整前的系统性分析
- 研究项目的假设框架构建
推理过程解释 (explain-reasoning-process)
可视化思考逻辑链
功能描述
explain-reasoning-process
工具可视化展示思考的逻辑链路,解释每个推理步骤使用的思维模型、支持证据和信心水平。这个工具帮助用户理解思考过程的构成,提升元认知能力,同时使思考过程更加透明和可追踪。
参数说明
参数名 | 类型 | 必填 | 默认值 | 说明 |
---|---|---|---|---|
problemDescription |
字符串 | 是 | - | 问题或情境描述 |
reasoningSteps |
对象数组 | 是 | - | 包含推理步骤的详细信息,每个步骤包含描述、使用的模型、支持证据、信心水平等 |
conclusion |
字符串 | 是 | - | 推理得出的结论 |
lang |
字符串 | 否 | "zh" | 语言代码,支持 "zh"(中文) 或 "en"(英文) |
使用示例
// 简单推理过程解释示例
{
"problemDescription": "公司需要决定是否投资开发一款新产品",
"reasoningSteps": [
{
"description": "分析市场需求和竞争环境",
"modelIds": ["swot_analysis", "porters_five_forces"],
"evidence": ["市场调研数据显示需求增长8%", "现有3家主要竞争对手"],
"confidence": 0.8
},
{
"description": "评估公司内部能力",
"modelIds": ["resource_based_view", "core_competence"],
"evidence": ["技术团队具备关键能力", "研发预算充足"],
"confidence": 0.9
},
{
"description": "分析财务可行性",
"modelIds": ["cost_benefit_analysis", "npv_analysis"],
"evidence": ["ROI预估为18%", "回收期约2年"],
"confidence": 0.7
}
],
"conclusion": "基于市场机会、内部能力和财务预测,建议启动新产品开发项目。",
"lang": "zh"
}
实际应用场景
- 重要决策的思考过程记录与解释
- 团队协作中共享和讨论推理逻辑
- 教学环境中展示思维模型的实际应用
- 提升自身思考质量的元认知训练
交互式推理引导 (interactive-reasoning)
实时思考指导与探索
功能描述
interactive-reasoning
工具提供逐步的思考引导和实时反馈,帮助用户在解决问题的过程中动态获取更多信息,调整思考方向。这是一个动态的、对话式的思考助手,可根据用户的反馈和新信息不断调整推理路径。
参数说明
参数名 | 类型 | 必填 | 默认值 | 说明 |
---|---|---|---|---|
initialContext |
字符串 | 是 | - | 初始问题或情境描述 |
reasoningStage |
字符串 | 是 | - | 当前推理阶段,可选值: "information_gathering"(信息收集), "hypothesis_generation"(假设生成), "hypothesis_testing"(假设检验), "conclusion"(结论形成) |
requiredInformation |
字符串数组 | 否 | - | 需要获取的额外信息 |
currentPathId |
字符串 | 否 | - | 当前推理路径ID(如在现有推理中) |
lang |
字符串 | 否 | "zh" | 语言代码,支持 "zh"(中文) 或 "en"(英文) |
使用示例
// 初始推理请求
{
"initialContext": "我们的移动应用注册流程完成率只有40%,远低于行业平均的65%,需要找出原因并优化。",
"reasoningStage": "information_gathering",
"lang": "zh"
}
// 后续推理阶段请求
{
"initialContext": "我们的移动应用注册流程完成率只有40%,远低于行业平均的65%。",
"reasoningStage": "hypothesis_generation",
"requiredInformation": ["目前注册流程的步骤数", "每个步骤的转化率", "用户反馈的主要问题"],
"currentPathId": "reasoning-path-123456",
"lang": "zh"
}
实际应用场景
- 复杂问题的探索式分析与解决
- 含有大量未知因素的决策过程
- 团队协作式思考的引导与记录
- 创新设计过程中的思路拓展
问题解决最佳实践
有效地使用问题解决类工具可以显著提升您应对复杂挑战的能力。以下是推荐的问题解决流程:
- 首先使用
recommend-models-for-problem
确定适合问题的思维模型 - 通过
generate-validate-hypotheses
生成多个可能的解决方案假设 - 使用
interactive-reasoning
逐步深入探索每个假设,收集必要信息 - 最后用
explain-reasoning-process
记录和分析整个思考过程,提取关键洞见
结合这些工具,您可以构建一个系统性的问题解决框架,使复杂问题变得可管理,同时确保思考的深度和广度。这种结构化思考方式不仅提高解决问题的效率,也提升了决策的质量。