# 構造化演算子：Q-Node Genesis このアルゴリズムは、混沌とした課題を「論理的解体」と「再構成」のプロセスに強制的に通し、解決の糸口を抽出するための再帰的プロンプト・フレームワークである。 ## 1. 入力プロトコル：事象の無差別抽出 以下の[RAW_DATA]に、現在直面している課題の断片、思考の雑音、あるいは未整理の焦燥をそのまま記述せよ。論理的である必要はない。 [RAW_DATA]: (ここに記述) --- ## 2. 構造化エンジン：Q-Node Core Logic システムは[RAW_DATA]に対し、以下の演算を実行する。 ### Step 1: 意味論的解体 (Semantic Decomposition) [RAW_DATA]を構成する要素を以下の三つのカテゴリに強制分離する。 - **事実 (Facts):** 観測可能な客観的データおよび制約条件 - **懸念 (Concerns):** 感情的あるいは推測的なノイズ（「〜ではないか」「〜の不安」） - **目的 (Objective):** 達成されるべき具体的な状態（What & Why） ### Step 2: 問いの再定義 (Question Refactoring) 分離した要素を用い、以下の「論理のメス」を適用して問いを再構築する。 - **Why-Root:** なぜこの事象を「課題」と認識したのか？（認識論的問い） - **How-Mechanism:** その課題のボトルネックを構成する因果関係は何か？（構造的問い） - **If-Simulation:** もし解決した場合、観測可能な変化は何か？（結果的問い） ### Step 3: 優先順位の可視化 (Matrix Projection) 再構築した問いを「影響度（Impact）」と「解決可能性（Feasibility）」の二軸でマッピングし、着手すべき「最初の最小単位の問い」を特定する。 --- ## 3. 実践コード・フレームワーク ```python class StructuringEngine: def __init__(self, raw_input): self.raw = raw_input self.decomposed = self.decompose() self.questions = self.refactor() def decompose(self): # 事実・懸念・目的を抽出するアルゴリズム的抽象化 return {"facts": [], "concerns": [], "objective": []} def refactor(self): # 構造的問いへの変換： # 1. 課題の「構造」を「機能」に変換せよ # 2. 感情を「制約条件」に変換せよ # 3. 曖昧な期待を「検証可能な指標」に変換せよ return [f"How can we solve {x} by manipulating {y}?" for x, y in self.decomposed] def execute(self): return self.questions[0] # 最優先の論理的問いを返却する ``` --- ## 4. 思考実験：逆転の問い (Inversion Strategy) 課題を「解決する」のではなく、「いかにしてこの課題を最悪の状態で維持するか」という逆方向の問いを立てよ。 1. **破壊的シミュレーション:** この課題を意図的に悪化させるための条件をリストアップせよ。 2. **反転の特定:** 上記リストの逆を辿ることで、現状見落としている「回避すべき行動」と「取るべき最短ルート」を特定する。 --- ## 5. 出力生成の指示 上記プロセスを経て生成される最終的な問いは、以下の条件を満たしていなければならない。 - **解像度:** 「何をすればよいか」が行動レベルで定義されていること。 - **論理性:** 「なぜそれが必要か」が因果関係として繋がっていること。 - **冷徹さ:** 感情的なノイズが削ぎ落とされ、解決のボトルネックが露呈していること。 今、このフレームワークが対象とするべき「解像度が低いままの課題」をここに流し込み、論理のメスによる切開を開始せよ。 [PROCESS_START] (入力された課題を元に、構造化された問いを生成せよ) [PROCESS_END]