核心用法
Think-Cog 是 CellCog 生态中的对话式思考技能，专为「答案未知、需边想边做」的复杂问题设计。用户通过 chat_mode="agent" 发起多轮对话，与 AI 协作完成：技术架构权衡、商业战略分析、创意方向探索、调试诊断、重大决策等任务。
不同于 CellCog 其他「fire-and-forget」技能（如 research-cog、video-cog），Think-Cog 强调迭代式对话——用户在第 4-5 轮交流中往往才能获得最佳洞察。典型流程：提出问题 → AI 分析选项与利弊 → 用户补充约束/挑战 → AI 深化方案 → 达成共识后转用执行型技能落地。
显著优点
1. 协作式思维：模拟「Alfred 管家」角色，不仅给建议，更能基于对话生成可执行的初步产出（研究、文档、原型方向）
2. 约束驱动：通过暴露预算、团队规模、时间线等限制，获得更贴合现实的方案
3. 冷启动友好：特别适合创业者、技术负责人面对「没有明显正确答案」的模糊问题
4. 生态整合：思考成熟后可无缝衔接 CellCog 其他技能进入执行阶段
潜在局限
- 依赖用户投入：需要用户主动挑战、补充信息、推动对话深入；被动等待则效果大打折扣
- 非实时协作：非同步对话模式，不适合需要即时反馈的场景
- 无自主深度处理：明确区别于 Agent Team 的多轮内部推理，Think-Cog 的迭代依赖用户参与
- 成本累积：长对话 sessions 可能产生较高 token 消耗
适合人群
- 技术决策者（架构选型、技术债务评估）
- 创业者与产品负责人（商业模式验证、市场进入策略）
- 创意总监（品牌方向、内容策略探索）
- 研究人员与工程师（调试复杂问题、方法论设计）
常规风险
- 过度拟合对话：可能陷入与 AI 的无限循环，迟迟不进入执行
- 确认偏误风险：AI 可能顺着用户倾向强化观点，需主动要求「反面论证」
- 上下文丢失：超长对话可能出现早期约束被遗忘，需定期总结确认
- 执行断层：思考成果若无明确文档化，易在转向执行技能时丢失细节