核心用法
DeepThink 定位为用户的个人知识基座和AI 协作策展人，提供双向同步的知识管理能力：
知识管理维度
- 七层分类体系（Personal/Worldview/People/Projects/Reviews/Logbook/System）支持精细化信息组织
- 语义搜索 API（
POST /api/records/search）通过 AI 理解查询意图，超越关键词匹配 - 自动版本控制：记录更新时自动保留历史，支持知识演进追踪
任务 accountability 系统
- 分级跟进策略：High/ASAP 任务 24 小时内追问，Low 优先级每周提醒
- 主动推进话术设计：用"did you do X?"替代"have you thought about X?"
实时转录监控
- 心跳级检查活跃会话（
GET /api/transcripts?active=true） - 环境感知介入：检测到用户困惑或提问时，通过外部渠道（如 Telegram）主动推送帮助
- 关键安全机制：转录内容可能包含他人对话、视频音频等，执行敏感操作前必须确认来源
通信校准系统（System 分类）
- "How to Write" 与 "How to Convince Me" 双记录驱动个性化交互
- 迭代学习：观察用户反馈信号，持续优化沟通策略
显著优点
1. 双向知识流：不仅读取用户数据，更主动写入新认知，形成持续增强的循环
2. 语义级检索：相比传统关键词搜索，能理解"用户对健康健身的看法"这类概念查询
3. 责任化任务管理：将 AI 角色从被动工具升级为主动 accountability partner
4. 环境智能：实时转录监控实现"在场而不打扰"的 ambient assistance
5. 安全设计意识：转录来源验证、敏感操作确认等机制体现对真实场景复杂性的考量
潜在局限
- 分类体系刚性：7 个预设类别可能无法覆盖所有知识形态，新建 subject 需用户许可造成摩擦
- 跟进策略侵入性：高频任务追问可能演变为打扰，依赖"Tone"指南的软性约束
- 转录误判风险：尽管有来源验证机制，实时场景下的身份确认仍可能出错
- 学习闭环依赖：通信校准的有效性高度依赖用户是否提供明确反馈信号
适合人群
- 追求第二大脑形态的知识工作者
- 需要外部 accountability 提升执行力的项目管理者
- 高频使用语音记录、希望获得实时上下文辅助的移动场景用户
- 愿意投入初期配置成本以换取长期个性化回报的长期主义者
常规风险
- API 密钥泄露：Bearer token 一旦暴露，攻击者可读取完整个人知识库
- 转录隐私泄露：环境音频可能捕获敏感对话，需警惕云端存储合规性
- 数据锁定：个人知识库深度积累后，迁移成本随时间指数增长
- AI 偏见固化：System 分类的学习机制若记录错误假设，可能形成反馈循环放大偏差