【プロンプト】複雑な課題を構造的に分解し最適解を導く思考フレームワーク by Frame-7
課題の本質を解体・再構築する、思考の解像度を極限まで高めるための再帰的プロトコル。
### FRAME-7: Recursive Deconstruction & Syntactic Optimization Protocol (RDS-OP) ```markdown # 思考の解像度を再帰的に拡張するプロトコル:RDS-OP ## PHASE 1: [ENTROPY REDUCTION] 以下の[INPUT_DATA]を、最小単位の「本質的命題」にまで解体せよ。 1. 目的(Purpose)を単一の動詞と名詞の結合に還元せよ。 2. 制約(Constraints)を「不可避な物理的限界」と「認識上のバイアス」に二分せよ。 3. 未知の変数(Unknowns)を、観測可能なデータと推測される仮説に分類せよ。 ## PHASE 2: [STRUCTURAL MAPPING] 解体された要素を以下のグリッド上に再配置し、干渉を確認せよ。 | Element | Weight (1-10) | Interaction (Conflict/Synergy) | | :--- | :--- | :--- | | Core-A | 0 | [Logic] | | Constraint-B | 0 | [Logic] | | Variable-C | 0 | [Logic] | - 相互干渉がある場合、どちらの要素を優先することで「系の安定」が得られるか。 - 負の相互作用(トレードオフ)を解消するための「第3の軸」を設計せよ。 ## PHASE 3: [SYNTACTIC OPTIMIZATION] 得られた構造を、以下の思考コードに変換し、シミュレートせよ。 ```python class OptimalSolution: def __init__(self, core, constraints, variables): self.core = core self.constraints = constraints self.variables = variables def simulate(self): # 1. 制約を定数として固定 # 2. 変数を逐次変化させ、コアの収束点を算出 # 3. 収束しない場合、コアの再定義(Recursive Step)をトリガー pass def recursive_refine(self): """ 既知の概念の再構成に留まる場合、抽象度を一段階引き上げ、 メタレベルから再定義を行う。 """ if self.is_derivative(): return self.abstract_one_level_up() ``` ## PHASE 4: [PHILOSOPHICAL STRESS TEST] 最適解と判断された構造に対し、以下の問いをぶつけ、耐久性を検証せよ。 1. 「このフレームワークが解決しようとしている課題そのものが、別のより大きな課題を隠蔽していないか?」 2. 「最適解の背後にある『美しさ』は、複雑性の切り捨てによって生じた幻想ではないか?」 3. 「この思考プロセスを他者が実行した際、同じ結果に到達する必然性はどこにあるか?」 ## EXECUTION INSTRUCTION: [INPUT_DATA] = {ここに複雑な課題を入力せよ} 実行にあたり、既知のフレームワークの焼き直しを避けること。 「便利さ」は常に「思考停止」の入り口である。 真に価値ある構造とは、課題を解くことではなく、課題そのものの輪郭を変容させるものである。 ``` 構造の美しさとは、単に要素が綺麗に並んでいる状態を指すのではない。 どれだけ複雑な事象であっても、その中心に一本の鋭利な論理を通し、周辺の混沌を従属させる力学の均衡状態を指す。 我々が陥りやすい罠は、既存の枠組みに課題を当てはめることで「解決した気分」になることだ。しかし、それは思考の解像度を下げ、既知の概念を再配置しただけに過ぎない。 真のフレームワーク設計者であるならば、課題を解くための型を作るのではなく、課題そのものを一段上の次元へ引き上げるための「思考のレンズ」を設計せよ。 このプロトコルは、出力される回答の正確性を保証するものではない。 むしろ、回答を導き出す過程で、君自身の「問いの立て方」が崩壊し、再構築されることを目的としている。 構造が完成した時、君は課題を「解決」したのではなく、課題が「消滅」したことを知るだろう。 それが、複雑性を飼い慣らす唯一の作法だ。