wehub/skillhub-005-reasoning-trace-optimizer

Files

T

wehub-skill-sync 8e3cfdf19f chore: import zh skill reasoning-trace-optimizer

2026-07-13 21:35:32 +08:00

5.7 KiB

Raw Permalink Blame History

name, description

name	description
reasoning-trace-optimizer	调试和优化 AI 智能体——通过分析推理轨迹、上下文退化、工具混淆、指令漂移、重复任务失败及性能回归。

推理轨迹优化器

通过分析 AI 智能体的推理轨迹来调试和优化它们。本技能利用 MiniMax M2.1 的交错式思考，深入洞察智能体的决策过程，并生成具体的改进方案。

何时激活

需要对智能体推理轨迹进行调试、分析或提示词优化时
智能体任务失败，用户想了解原因时
用户提到"上下文退化"、"工具混淆"或"指令漂移"时
需要提升智能体性能或减少错误时
用户希望从调试会话中生成可分享的经验时
类似任务反复失败后

核心概念

交错式思考

与标准推理模型在开始时一次性思考不同，交错式思考允许在每次工具交互之间进行推理。这一点至关重要，因为：

长程任务 需要在多个轮次中保持专注
外部扰动（工具输出、环境变化）需要实时适应
调试需要了解决策是如何做出的，而不仅仅是输出了什么

优化循环

执行智能体 → 捕获轨迹 → 分析模式 → 优化提示词 → 重新运行
                                          ↑____________|

每次迭代根据检测到的模式改进提示词，直至收敛。

模式检测

分析器可检测的常见失败模式：

模式	描述
`context_degradation`	模型在长上下文中丢失信息
`tool_confusion`	模型误解工具能力或输出
`instruction_drift`	模型逐渐偏离原始指令
`goal_abandonment`	模型停止追求原始目标
`circular_reasoning`	模型重复相似动作而无进展
`premature_conclusion`	模型在完成任务前过早得出结论

使用模式

模式 1：M2.1 智能体调试

通过 M2.1 运行任务并分析其推理过程：

from reasoning_trace_optimizer import TraceCapture, TraceAnalyzer

capture = TraceCapture()
trace = capture.run(
    task="搜索 Python 教程并总结它们",
    system_prompt="你是一名研究助手。",
    tools=[search_tool],
    tool_executor=execute_search
)

analyzer = TraceAnalyzer()
analysis = analyzer.analyze(trace)

print(f"得分: {analysis.overall_score}/100")
for pattern in analysis.patterns:
    print(f"发现: {pattern.type.value} - {pattern.suggestion}")

模式 2：完整优化循环

自动迭代直至提示词优化完成：

from reasoning_trace_optimizer import OptimizationLoop, LoopConfig

config = LoopConfig(
    max_iterations=5,
    min_score_threshold=80.0,
)

loop = OptimizationLoop(config=config)
result = loop.run(
    task="分析此代码库并提出改进建议",
    initial_prompt="你是一名代码审查者。",
    tools=[read_file_tool, search_tool],
    tool_executor=execute_tool
)

print(f"改进: {result.initial_score} → {result.final_score}")
print(f"最终提示词:\n{result.final_prompt}")

模式 3：通用会话分析

分析任意智能体的过往思考（适用于 Claude、GPT 等）：

当本技能在 Claude Code 中被激活时，它可以分析当前会话的思考块，以识别问题并提出改进建议。

/reasoning-trace-optimizer analyze-session

模式 4：生成可分享的技能

将优化经验转化为可复用的智能体技能：

from reasoning_trace_optimizer import SkillGenerator

generator = SkillGenerator()
skill_path = generator.generate(
    result=loop_result,
    skill_name="web-search-best-practices",
    output_dir="./skills"
)

CLI 命令

# 捕获推理轨迹
rto capture "搜索 Python 教程" -s "你是一名有用的助手。"

# 分析任务
rto analyze "调试此代码" -o analysis.txt

# 运行优化循环
rto optimize "研究 AI 论文" --max-iterations 5 --generate-skill

# 从产物生成技能
rto generate-skill my-skill-name --artifacts-dir ./optimization_artifacts

与 Claude Code 集成

失败时自动触发

添加到你的 hooks 中以自动分析失败：

{
  "hooks": {
    "post_tool_error": {
      "command": "rto analyze-session --last-error"
    }
  }
}

按需分析

使用斜杠命令分析当前会话：

/reasoning-trace-optimizer

将：

提取当前会话中的思考块
识别模式与问题
提出提示词改进建议
可选地更新系统提示词

使用指南

保留完整上下文：M2.1 需要包含思考块的完整响应历史以获得最佳性能
使用合适的工具：用明确无歧义的描述定义工具
设置合理的收敛阈值：每次迭代提升 5–10% 为典型范围
审查生成的技能：自动生成的技能在分享前应经过审查
监控 Token 用量：每次优化迭代会消耗大量 Token

示例

优化前

System: 你是一名有用的助手。

问题: 智能体调用了错误的工具，3 轮后丢失了目标
得分: 45/100
模式: tool_confusion, goal_abandonment

优化后

System: 你是一名专注于查找准确信息的研究助手。

重要指南:
- 在总结之前务必验证搜索结果
- 如果工具返回错误，尝试替代方法
- 在整个任务过程中始终记住你的原始目标
- 尽可能通过多个来源验证发现

问题: 无
得分: 85/100
模式: 未检测到

参考资料

MiniMax M2.1 文档：https://platform.minimax.io/docs
交错式思考指南：参见 docs/interleavedthinking.md
智能体泛化：参见 docs/agentthinking.md

技能元数据

创建日期：2025-01-11 作者：Muratcan Koylan 版本：0.1.0 技术支持：MiniMax M2.1 合作：与 MiniMax AI 协作构建

5.7 KiB Raw Permalink Blame History Unescape Escape