核心用法
Think-Cog 是 CellCog 生态中的思辨型智能体，区别于单次交付的技能（如 research-cog、video-cog），它采用对话式迭代模式，专为"答案不明晰、需共同探索"的复杂问题设计。用户通过 chat_mode="agent" 启动多轮会话，在"提出想法 → AI 分析推演 → 用户反馈修正 → 深化结论"的循环中逐步收敛到可执行策略。
典型使用流程：
1. 初始化会话：client.create_chat(prompt="...", chat_mode="agent")
2. 持续迭代：client.send_message(chat_id="...", message="...")
3. 捕获决策：对话结束后用其他 CellCog 技能执行落地
显著优点
认知协同优势：模拟"Alfred 管家"式角色，不仅提供建议，更能基于用户反馈动态调整推理路径，实现人机联合智力产出。
全模态衔接：思辨成果可直接触发 research-cog（调研）、docs-cog（文档）、video-cog（视觉）等执行技能，形成"Think → Build → Review → Repeat"的完整闭环。
场景覆盖广泛：技术架构权衡、商业模式选择、创意方向探索、疑难问题调试、重大人生决策等五大场景均有成熟案例模板。
约束敏感推理：擅长将预算、团队规模、时间窗口等现实约束纳入分析框架，输出务实可行的策略选项。
潜在局限
对话成本累积：复杂问题往往需要 4-5 轮以上对话才能收敛，对 API 调用量和响应时间敏感的场景不够经济。
自主性边界：明确区别于 "agent team" 的自主深度工作模式，需要用户持续投入注意力担任"经理角色"，不适合完全托管场景。
上下文依赖：长期会话中前期设定的约束条件可能被后续推理稀释，需要用户主动维护对话连贯性。
适合人群
- 技术决策者：面临架构选型、技术债权衡、扩展性规划的工程负责人
- 早期创业者：处于商业模式验证期、需要结构化思考框架的创始人
- 创意总监：需在概念阶段探索多元方向、降低生产投入风险的策划者
- 复杂问题求解者：陷入调试僵局或分析瘫痪、需要外部视角打破僵局的开发者
常规风险
过度拟合对话：用户可能因"沉没成本"心理在无效对话路径上持续投入，需设定明确的收敛检查点。
执行落差：思辨阶段的兴奋感可能掩盖落地难度，建议对话末期强制衔接具体执行计划（时间线、资源需求、验证指标）。
API 密钥安全：依赖 CELLCOG_API_KEY 环境变量，共享环境或 CI/CD 流水线中需遵循密钥管理最佳实践。
生态定位
Think-Cog 在 CellCog 技能矩阵中占据认知入口位置——它是唯一将"不确定输入"转化为"确定性输出"的枢纽，向上承接用户原始困惑，向下分发到各专业执行技能，是复杂工作流的理想起点。