Think Cog

核心用法

Think-Cog 是一种对话式认知协作技能，区别于传统的"指令-交付"模式。用户通过 chat_mode="agent" 启动多轮迭代对话，与 CellCog 共同探索问题本质。典型流程为：提出模糊问题 → AI 追问澄清 → 用户补充约束 → 共同推演方案 → 收敛为可执行决策。支持技术架构权衡、商业模式推演、创意方向探索、调试排障、人生决策等场景。

显著优点

1. 认知外包与视角补充：将"一个人苦想"转化为"结构化对话"，AI 提供框架性思维（如供需冷启动问题的三种解法）
2. 约束显性化：强制用户陈述预算、时间、团队规模等边界条件，避免空想
3. 渐进收敛：不追求首轮答案，允许 4-5 轮对话后涌现洞察
4. 执行衔接：思考结果可直接触发 research-cog、docs-cog 等执行型技能

潜在局限与风险

局限性：

• 依赖用户主动提供领域专业知识，AI 无法替代行业know-how
• 复杂技术决策中，AI 可能生成看似合理但工程不可行的方案
• 对话轮次增加时，上下文管理成本上升，可能遗漏早期约束

常规风险：

• 过度自信幻觉：AI 对不确定问题可能给出确定性建议，用户需保持质疑
• 责任模糊："共同决策"可能导致用户弱化最终判断责任
• 沉没成本陷阱：多轮对话投入后，用户可能因"聊了很久"而勉强接受次优方案

适合人群

• 独立开发者/技术负责人面临架构选型困境
• 早期创业者探索商业模式与增长策略
• 产品经理权衡需求优先级与资源约束
• 研究者/创作者寻求创意方向突破
• 任何面对"没有标准答案"的复杂决策场景者

来源可信度

由 CellCog 官方发布，属于平台原生技能（T1 级）。但需注意：该技能本质是对话接口封装，底层能力依赖基座模型，无独立安全审计报告。

核心用法

Think-cog 是 CellCog 生态系统中的认知型辅助技能，专为"探索-迭代-精炼"模式设计。与常见的"输入→输出"型技能不同，它采用 chat_mode="agent" 开启持续对话，在架构决策、商业策略、创意方向、调试难题、人生选择等场景中与用户协同思考。

使用范式：启动对话 → 陈述困境与约束 → 接收结构化分析 → 追问细节 → 迭代深化 → 达成共识。典型会话包含 4-6 轮交换，最终输出可落地执行的清晰决策。

显著优点

1. 对话即方法：将复杂问题的求解过程显性化为可追踪的对话流，避免"黑箱式"一次性建议
2. 多维度结构化输出：自动组织选项清单、利弊矩阵、资源评估、可行性排序等决策框架
3. 约束敏感型推理：主动询问并整合预算、团队规模、时间线、技术栈等限制条件
4. 执行无缝衔接：思考结论可直接调用 research-cog、video-cog、docs-cog 等执行型技能落地
5. 零学习成本：纯自然语言交互，无需掌握特定提示词技巧

潜在局限与风险

• 依赖前置技能：必须配合 cellcog SDK 使用，无法独立运行
• 对话深度要求：浅层提问难以触发高质量迭代，需要用户投入时间参与多轮交互
• 无实时信息：推理基于训练数据，不自动联网获取最新市场动态或技术演进
• 决策责任归属：最终决策仍需人工审核，AI 建议可能忽略组织政治、人际关系等隐性因素

适合人群

技术决策者（CTO/架构师）、产品经理、创业者、数据科学家、以及任何面对"没有标准答案"的复杂选择、需要从外部视角打破认知盲区的人士。

常规风险提示

1. 避免在对话中输入商业机密、个人隐私或未公开财务数据
2. 关键决策建议交叉验证，不可完全依赖单一 AI 会话结论
3. 长期策略需结合真人专家意见，AI 缺乏行业人脉与组织语境感知