揭秘Sequential Thinking MCP:AI如何学会“分步思考“?

Sequential Thinking:AI时代的“项目管理革命“——重新定义人类与AI的协作范式 Sequential Thinking的诞生,标志着AI正式从"工具时代"迈向"协作时代"。它不仅是一个项目管理工具,更是人类与AI协同进化的里程碑。当开发者发现,他们只需输入一句"我想…“,系统就能自动生成包含风险预判、资源调配、协作计划的完整方案时,这场由AI驱动的效率革命,才刚刚掀开序章。未来,我们或许将见证人类智慧与机器智能的深度融合,共同创造出超越个体认知极限的"集体智慧体”。 阅读详情
AI摘要

本文围绕Sequential Thinking MCP展开,探讨AI如何学会“分步思考”。它能让AI将复杂问题分解,支持修订和分支探索。其原理并非提示词魔法,而是架构约束。它解决了AI缺乏结构化思考、无法自我修正等局限,是“AI思维过程的自动化编排系统”。

揭秘Sequential Thinking MCP:AI如何学会"分步思考"?

一场关于AI思维机制的深度对话

🤔 从困惑开始

最近,Sequential Thinking MCP服务在AI社区引起了不少关注。这个工具声称能让AI进行"结构化思考",将复杂问题分解为多个步骤,甚至支持修订和分支探索。

但这背后的原理是什么?AI真的学会了"思考"吗?

带着这些疑问,我展开了一场探索之旅。

🎭 第一个发现:AI变成了"导演控制下的演员"

传统AI:脱口秀演员

观众:请讲一个复杂的故事
演员:blablabla... (一口气说完整个故事)

这就是我们熟悉的AI工作方式——给它一个复杂问题,它会一次性输出完整答案。虽然内容可能很好,但思考过程对我们来说是个黑盒。

Sequential Thinking:专业导演

导演:Action! 先说故事背景
演员:从前有一个王国...
导演:Cut! 很好。现在说主人公
演员:王国里住着一个勇敢的骑士...
导演:Cut! 继续说他遇到的困难
演员:有一天,王国被邪恶巨龙威胁...
导演:Cut! 现在说解决方案

Sequential Thinking MCP就像一个专业导演,将AI的思考过程分解为多个可控的片段。每一步都清晰可见,可以暂停、修改、甚至重新拍摄。

💡 第二个发现:这不是提示词魔法,而是架构约束

我的第一个误解

起初我以为这只是巧妙的提示词工程:

"请按步骤思考:
1. 先分析问题
2. 再收集信息  
3. 然后得出结论"

但事实并非如此。

真正的机制:工具调用的强制中断

// AI被迫每步都要调用工具
function ai_reasoning_process() {
    // 第1步:AI开始思考
    let step1 = ai_model.think("分析问题...")
    
    // 关键:这里必须调用工具,无法直接继续
    let result1 = call_tool("sequential_thinking", {
        thought: step1,
        thoughtNumber: 1,
        nextThoughtNeeded: true
    })
    
    // 第2步:基于工具返回的上下文继续
    let step2 = ai_model.think("基于第一步的结果...")
    // 又一次强制中断...
}

这不是"道德约束",而是"技术约束"。AI无法跳过工具调用,必须一步一步地进行。

🎪 第三个发现:AI并没有在"等待"

另一个误解

我以为AI在调用工具时会在某处等待,保持状态,然后继续思考。

真相:健忘症演员的连续剧

实际上,每次工具调用后,AI实例都会被完全销毁!

第1轮对话:
AI实例1: "我需要分析问题..." → 调用工具 → 实例销毁 💀

第2轮对话:  
AI实例2: [查看完整历史] "基于第1步,我现在..." → 调用工具 → 实例销毁 💀

第3轮对话:
AI实例3: [查看更长历史] "综合前面的分析..." → 完成 → 实例销毁 💀

就像拍连续剧,每天都换演员,但每个新演员都会认真研读完整剧本,然后继续表演下去。观众看到的是连续的故事,实际上背后是完全独立的表演。

🔄 第四个发现:AI有状态,但是"易失性"的

执行状态 vs 记忆状态

AI确实有状态,但只在单次执行期间:

# 单次AI调用的生命周期
class AIInstance:
    def generate_response(self, prompt):
        self.status = "starting"           # ← 有状态!
        self.status = "processing"         # ← 有状态!
        self.status = "generating_token_1" # ← 有状态!
        # ...
        self.status = "completed"          # ← 有状态!
        
        # 调用结束,所有状态被清空
        del self  # 实例销毁,状态消失

但AI缺乏跨调用的记忆状态:

# 这是AI缺乏的能力
class HumanBrain:
    def __init__(self):
        self.long_term_memory = {}  # ← AI没有这个!
        self.context_awareness = {} # ← AI没有这个!

更精确的比喻:健忘症演员

导演:Action! 说第一段
演员:🎬 [表演状态:专注、投入、有节奏] "从前有一个王国..."
导演:Cut! 
演员:💤 [失忆了,完全不记得刚才演了什么]

导演:现在继续刚才的故事
演员:❓ "什么故事?我需要看剧本"
导演:[递上完整剧本,包括刚才的内容]
演员:📖 "哦!" [重新理解整个故事] 
导演:Action!
演员:🎬 [又进入表演状态] "那个王国里住着一个骑士..."

🎯 核心洞察:专业的AI使用专家系统

经过这番探索,我终于理解了Sequential Thinking MCP的本质:

它不是让AI变得更聪明,而是让我们更专业地使用AI。

传统方式:业余用户

用户: "设计一个电商系统"
AI: "好的,电商系统需要用户模块、商品模块、订单模块..." 
(一股脑全说了,可能遗漏重要考虑)

Sequential Thinking:专业引导

系统: "设计一个电商系统,先告诉我你理解的核心需求是什么"
AI: "核心需求是用户能够浏览商品、下单购买、支付..."

系统: "很好,基于这些需求,现在考虑技术架构"
AI: "考虑到需求,我建议使用微服务架构..."

系统: "除了这个方案,还有其他选择吗?"
AI: "也可以考虑单体架构,如果业务规模不大..."

系统: "重新考虑第2步,加入安全性要求"
AI: "重新分析架构选择,安全性确实是关键因素..."

🏗️ 技术价值:解决AI的核心局限

Sequential Thinking MCP巧妙地解决了AI的几个关键问题:

  1. 缺乏结构化思考 → 强制分步进行
  2. 无法自我修正 → 提供修订机制
  3. 思考过程不透明 → 每步都记录
  4. 容易遗漏要点 → 可以分支探索
  5. 无法深度分析 → 迫使多轮思考

🌟 最终理解

Sequential Thinking MCP的精妙之处在于:

  • 不是改变AI的能力
  • 而是改变了使用AI的方式
  • 从"一次性询问"变成"专业引导"
  • 从"希望AI自己做好"变成"主动控制过程"

它本质上是一个**“AI思维过程的自动化编排系统”**,将人类专家的工作方式——分析、思考、修正、深化——编码成了可重复的技术流程。

💭 写在最后

以上内容为与AI讨论的总结,这次与AI探索让我意识到,AI技术的进步不仅来自模型本身的改进,更来自我们如何更好地与AI协作。Sequential Thinking MCP就是这样一个例子——通过巧妙的工程设计,让AI展现出了"深度思考"的能力。

也许,未来最强大的AI系统不是那些参数最多的模型,而是那些最善于引导AI发挥潜能的系统。

你对Sequential Thinking MCP还有什么想了解的吗?欢迎在评论区讨论!

Smithery SequentialThinking:AI思维链技术深度解析 摘要:SequentialThinking是专为大型语言模型设计的MCP服务器,通过结构化思维链增强AI推理能力。它突破传统AI的线性思维局限,支持思维分支、修正和迭代优化,适用于复杂问题分析、多步骤推理等场景。核心架构包含思维历史管理、分支状态管理等功能模块,采用灵活的数据结构支持动态调整和状态持久化。该系统实现了人类认知过程的模拟,具有模块化设计、错误恢复机制等特点,为AI认知能力发展提供了新范式,在教育、科研等领域具有广泛应用前景。 阅读详情

相关推荐

使用sequential-thinking MCP插件建立算法优化智能体

我们将基于 sequential-thinking MCP 插件创建自定义智能体,并结合实际对话案例,分享如何在与大语言模型交互时更高效调用 sequential-thinking 的优化技巧,从而帮助你快速掌握这些工具的核心价值。可以想象,当为 Builder with MCP 添加大量插件时,它的负担可能会变得过重,因为它需要负责众多功能。为 Builder with MCP 添加好sequential-thinking,可以在详情中看到添加的工具,并且还可以看到工具提供了哪些可以调用的方法,如下图。

wjx341217的博客 1619

【原创】MCP服务介绍&使用MCP实现类Manus Agent

本文介绍了AI大模型中常见的MCP服务以及使用MCP实现类Manus的产品效果,纯实战,值得阅读

heiyeluren的blog(黑夜路人的开源世界) 6091

让 AI 学会“慢思考”:MCP Sequential Thinking 深度部署与使用指南

摘要: MCP Sequential Thinking 是一种让AI具备"慢思考"能力的技术,通过动态调整思维路径解决复杂问题。本文详细介绍了在Windows、macOS和Linux系统下的部署方法,包括环境准备、配置文件修改等步骤。该技术通过"产生想法-评估需求-修正路径"的循环机制,显著提升AI在代码设计、数学证明等复杂任务中的表现。文章还提供了验证安装方法、使用示例和常见问题解答,帮助开发者解锁AI的深层思考能力。(149字)

weixin_43236925的博客 1917

揭秘结构化思维神器:如何用 mcp-sequential-thinking 提升你的思考质量

你是否曾经在解决复杂问题时感到思维混乱?面对决策时难以理清头绪?或者在进行深度分析时总是遗漏关键环节?今天,我要向你介绍一个革命性的工具——**mcp-sequential-thinking**,这个基于模型上下文协议(MCP)的结构化思维助手,能够将你的思考过程转化为清晰、可追踪的认知路径。 ## 🎯 结构化思维:从混乱到清晰的转变 想象一下,你的大脑就像一个充满灵感的创意工作室,但如果没

gitblog_00435的博客 775

MCP与Sequential Thinking:系统问题的分解与解决之道

在面对复杂问题时,我们常常感到手足无措,尤其是在需要将任务分解为多个步骤时。这是对个人思维能力的极大挑战,而掌握有效的思维工具则可以让事情事半功倍。今天我们讨论的两个工具:MCP(Mutually Exclusive Collectively Exhaustive)和Sequential Thinking(顺序思维),结合起来,将帮助我们从多个维度提升问题解决能力。作为一名热衷于算法和工具的开发者,我将在本文中结合Python代码示例,分享如何在实际场景中使用这两种工具来解决复杂任务。MCP(Mutuall

Echo_Wish 1476

顺序思维的认知架构:从线性执行到驾驭复杂性的基石

本文旨在深入剖析顺序思维的认知微观结构,精细描绘其核心特征,精准定位其应用场景与效能边界,并阐释其在现代复杂问题求解中,如何与其他高级认知功能(如系统思维、批判性思维、创造性思维)动态协同,共同构筑起强大的智能决策与执行体系。在日益复杂和快速变化的世界中,真正的智慧在于,不仅要磨砺顺序思维这把“利刃”,更要学会将其置于宏大的认知工具箱中,与其他思维模式协同编排,以形成整合性的智能优势,从而更有效地分析问题、设计方案、执行任务,最终驾驭复杂性,实现目标。掌握顺序思维,意味着不仅要精通其本身的运用,更要具备。

形上得其象,形下合于数;阴阳自济,玄理自明。 624

让AI从话痨变成老中医:连续对话的实现秘密

《让AI像老中医一样问诊:Sequential Thinking实践》摘要 本文探讨如何通过Sequential Thinking技术改进AI问诊体验。传统AI交互存在"金鱼记忆"问题,表现为单次响应、缺乏连续性。作者提出让AI模拟老中医的"三步法":1)使用结构化问诊清单引导对话流程;2)通过会话记忆保存完整病历;3)智能控制对话节奏(等待/提问/分析)。技术实现上采用状态机管理会话步骤,通过sessionId关联上下文,并设计明确的对话状态转换逻辑。实验证明,这种

weixin_42657666的博客 549

【开源~磁悬浮】零代码,纯硬件闭环:从霍尔到H桥的磁悬浮稳定术

本文详细介绍了如何不依赖任何代码,仅通过模拟和数字电路的组合,实现一个完整的磁悬浮闭环控制系统。从霍尔传感器检测位置,到运放电路进行信号调理与模拟PID控制,再到H桥驱动电磁铁执行纠偏,全程使用基础电子元器件搭建。文章深入剖析了系统原理、电路设计、调试技巧与实践经验,展现了纯硬件实现自动控制的独特魅力与挑战。

perl8的博客 623

前端开发三大神器助你快速进入“傻瓜“时代

还记得那些熬夜调试、满屏红色报错的日子吗?MCP(Model Context Protocol)正在让这一切成为历史。看看这三个神器如何把我们从"代码搬砖工"升级为"AI协作大师"!

CbukeJ的博客 981

VScode远程连接开发嵌入式开发板

VScode远程连接开发调试嵌入式开发板

qq_53221728的博客 5893

【零基础教程】HEC-RAS 1D/2D全流程模拟指南|从水动力到水质建模一次搞定!

HEC-RAS由美国陆军工程兵团水文研究中心研制,具有完整的一二维耦合的水动力及水环境模拟功能,也具有闸、涵洞、桥梁以及泵站等水利构筑物的模拟能力;同时也可以与HEC研制的水文模型(HMS)、洪水淹没风险和损失分析软件(FDA)等耦合,是免费软件中使用最方便、应用最广泛的软件之一。2.HEC-RAS与HEC-HMS的耦合(不详细讲HEC-HMS)3.淹没风险分析软件HEC-FDA与HEC-RAS耦合。案例十八:HEC-RAS与HEC-HMS的耦合。案例十九:HEC-RAS与HEC-FDA的耦合。

weixin_48230888的博客 875

AI推理革命:从Sequential Thinking到Agentic AI的演进之路——揭秘大语言模型思维进化的四重奏

想象一下,当你在解决一个复杂的数学题时,你不会直接给出答案,而是会在草稿纸上一步步地推导。这就是序列化思维的本质——将复杂问题分解为一系列有序的步骤。在传统的大语言模型中,AI往往像一个"直觉型天才",能够直接给出答案,但却无法解释推理过程。这就像一个学生告诉你"答案是42",但却说不出为什么是42一样。Sequential Thinking的出现,让AI开始学会"慢思考"。# 传统模式:直接回答return model.generate(question) # 直接输出最终答案。

许泽宇的技术分享 2498

基于深度确定性策略梯度的永磁同步电机强化学习控制方法

本文提出了一种基于深度确定性策略梯度(DDPG)的永磁同步电机(PMSM)电流内环智能控制方法。首先建立了PMSM在d-q坐标系下的数学模型,分析了传统矢量控制双闭环系统中PI控制器的局限性。针对电流内环控制问题,设计了包含电流跟踪误差、转速信息和历史控制量的状态空间,将电压输出作为动作空间,并构建了兼顾跟踪精度和响应速度的奖励函数。通过DDPG算法训练智能体,使其能够自适应调整控制策略。仿真结果表明,与固定参数的PI控制器相比,DDPG控制器在动态响应速度和抗干扰能力方面具有明显优势,为PMSM高性能控制

huanghm88的专栏 104

【免费下载】 mcp-sequential-thinking:结构化思维的利器

mcp-sequential-thinking 是一个基于 Model Context Protocol (MCP) 的服务器,旨在通过定义的阶段促进结构化和逐步的思维过程。这款工具能够帮助用户将复杂问题分解为有序的思维步骤,跟踪思维进程,并生成总结。 ## 项目技术分析 mcp-sequential-thinking 的核心基于 Python 3.10 或更高版本,使用了多种先进的技术和库来

gitblog_00137的博客 1648

【python数据挖掘课程】二十八.基于LDA和pyLDAvis的主题挖掘及可视化分析

这是《Python数据挖掘课程》系列文章,前面很多文章都讲解了数据挖掘、机器学习,这篇文章主要讲解LDA和pyLDAvis算法,同时讲解如何读取CSV文本内容进行主题挖掘及可视化展示。文章比较基础,希望对你有所帮助,提供些思路,也是自己教学的内容。推荐大家购买作者新书《Python网络数据爬取及分析从入门到精通(分析篇)》,如果文章中存在错误或不足之处,还请海涵。 目录: 一.显示结果及安装 二.LDA主题挖掘 三.pyLDAvis可视化分析 四.小结

杨秀璋的专栏 1万+

C/C++ 静态代码检查工具cppCheck

Cppcheck是一个用于C/C++代码的静态分析工具,它可以帮助开发者检测代码中的错误;Cppcheck可以检测出许多类型的错误,包括语法错误、未使用的函数、内存泄漏、未初始化的变量等;Cppcheck还支持用户自定义规则,这使得开发者可以根据自己的需求定制Cppcheck的行为;使用--suppress如果你想要忽略某些警告,可以在命令行中使用 --suppress 选项。

贝勒里恩的博客 4957

Sequential Thinking:AI深度思考的新范式及其与CoT、ReAct的对比分析

随着AI技术从简单的模式识别迈向复杂的认知推理,CoT、ReAct和Sequential Thinking共同构成了当前AI深度思考的技术谱系。这三种技术虽然诞生于不同发展阶段,但本质上都在解决同一个核心问题:如何让AI像人类一样进行结构化、持续性的思考。它们的协同演进正在重塑人机协作的边界,为各行业带来前所未有的智能升级机遇。从技术发展轨迹来看,这三种方法呈现出明显的互补性。

zuiyuelong的博客 3772

电磁场仿真:电磁场基础理论_(13).微波技术基础

微波是指频率在300 MHz到300 GHz之间的电磁波。这一频率范围对应的波长为1米到1毫米。

2401_87715305的博客 1321

Cursor:Sequential Thinking配置(让AI更厉害)

本文介绍了如何配置和使用Cursor工具。首先,需要从官网下载Cursor,并确保有一个可用的GITHUB加速器(如FastGithub)和GITHUB账号。接着,访问https://smithery.ai/,找到SequentialThinking组件并点击进入。在界面右侧点击Cursor,登录GITHUB账号并选择npm版本。最后,将灰色框中的代码复制到终端运行,即可正常使用Cursor。配置完成后,Cursor通常显示绿灯,偶尔出现黄灯或红灯时,等待一段时间即可恢复正常,不影响使用。

wzdx22的博客 2514

YOLOv11改进策略【卷积层】| CVPR-2023 部分卷积 PConv 轻量化卷积,降低内存占用

本文记录的是利用优化的目标检测方法研究。深度可分离卷积可以减少FLOPs,但会导致更高的内存访问,引起延迟并减慢整体计算。部分卷积利用逐点卷积处理通道冗余,减少模型计算量和内存访问量。Run, Don’t Walk: Chasing Higher FLOPS for Faster Neural Networks的实现代码如下: 四、创新模块 4.1 改进点⭐ 模块改进方法: 1️⃣ 加入。添加后如下:2️⃣:加入基于的。利用改进模块,减少通道冗余。改进代码如下:首先添加如下代码让加入,并重命名为 再添加如

Limiiiing的博客 3878

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

AI 编程效率翻倍!Cursor+MCP 组合的 5 大超能力解析

Cursor+MCP 的组合,为我们提供了一种全新的工作方式,让我们能够专注于创造性思维和解决方案设计,而将繁琐的实现细节交给 AI 助手。也许,如同 HTTP 是互联网的基石协议一样,MCP 可能将成为 AI 时代新的底层智能体互联协议,让我们共同期待!你目前在开发中遇到的最大痛点是什么?你认为 Cursor+MCP 能否解决这个问题?如果你可以设计一个自己的 MCP 服务,你会希望它具备什么功能?欢迎加我一起探索 AI 编程!欢迎在评论区分享你的想法和经验,让我们一起探索 AI 编程的美好未来。

HUANGXIN9898的博客 1770

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

拖延症克星:基于Sequential Thinking MCP的任务拆解助手

摘要:本文介绍了一种基于认知负荷理论的Sequential Thinking MCP任务拆解系统,通过将复杂任务分解为15分钟内可完成的原子级子任务,有效解决拖延问题。系统采用NLP技术识别任务关键动作,并自动生成执行序列,配合进度跟踪和成就激励机制。实测数据显示,使用该系统后各类任务完成率提升146%-242%。该系统通过改变用户对复杂任务的心理表征,从宏观目标转为可管理的小步骤,显著提升任务启动和执行效率。

嵌入式毕设/课设资料清单(速查手册·文档模板·题库,持续更新)→ 见最新文章 1198

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

*Sequential Thinking MCP

摘要:TRAE国际版的SequentialThinking功能通过分步拆解复杂任务,实现AI与人类的高效协作。该工具将问题分解为可执行的独立步骤(如"思考(1/X)"),支持实时调整和错误修正,避免推倒重来。用户需通过创建智能体并安装相应服务来激活功能,适用于代码调试、系统设计等需要多步推理的场景。核心优势在于使AI的思考过程可视化、可干预,通过结构化流程提升复杂任务的处理效率,本质上是将问题解决过程工程化。最佳实践建议从简单任务入手,逐步掌握步骤规划与干预技巧。

leohu0723的博客 1097

结构化思维革命:mcp-sequential-thinking如何彻底改变你的思考方式 [特殊字符]

在这个信息爆炸的时代,如何保持清晰的思维逻辑?mcp-sequential-thinking项目通过**结构化思维框架**为你的思考过程带来了革命性的改变。这个基于Model Context Protocol的服务器能够将复杂问题分解为可管理的思考阶段,帮助你建立系统化的思考模式。🎯 ## 什么是结构化思维?🤔 结构化思维是一种将复杂问题系统化分解的思考方法。mcp-sequential-

gitblog_00792的博客 458

Sequential Thinking:AI驱动的“任务拆解引擎”——重塑复杂项目的高效执行路径

本文深入探讨了Sequential Thinking这一AI驱动的任务拆解引擎如何重塑复杂项目管理。它通过三层认知架构,将模糊需求转化为结构化工作流,智能规划任务依赖与关键路径,并与GitHub Copilot等工具深度集成,显著提升项目执行效率与协作水平。

p8q9r0的博客 296
上一篇: Gemini CLI Web 实现
下一篇: 让AI从话痨变成老中医:连续对话的实现秘密
wakangda
博客等级 码龄8年 446粉丝 96原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值