think-cog

核心用法

think-cog 是 CellCog 生态中的协作式思考工具，采用"Think → Do → Review → Repeat"的迭代模式。用户通过 chat_mode="agent" 启动对话式会话，与AI进行多轮深度交流，共同探索架构决策、业务策略、创意方向、问题调试等复杂问题。不同于其他技能的"fire-and-forget"模式，think-cog 强调对话中的共同发现——用户作为管理者提供方向，CellCog 作为执行者提供推理深度和多元视角。

显著优点

1. 填补决策空白：专门针对"不知道答案在哪"的探索性场景，解决传统AI工具只能执行、不能共创的局限
2. 结构化思考框架：内置多种决策模板（技术架构权衡、商业模式选择、创意方向探索等），降低用户思考负担
3. 渐进式澄清机制：通过多轮对话让解决方案自然涌现，避免过早承诺导致的方向偏差
4. 与执行链路打通：思考成果可直接衔接 research-cog、docs-cog 等执行型技能，形成完整工作流
5. 低门槛高上限：既适合个人决策，也支持团队级复杂战略讨论

潜在缺点与局限性

1. 依赖外部核心：所有功能依赖 cellcog skill，若 cellcog 不可用则完全失效
2. 无自主执行能力：纯文档型技能，本身不处理任何实际任务，仅提供交互范式指导
3. 对话成本不可控：迭代模式可能导致会话冗长，对token消耗和时间投入要求较高
4. 质量依赖用户输入：需要用户主动分享约束条件、挑战假设，被动使用者难以获得价值
5. 建议权威性边界：AI生成的策略建议需用户自行判断，存在误导风险

适合的目标群体

• 技术决策者：面临架构选型、技术债务权衡的工程师和架构师
• 早期创业者：需要验证商业模式、冷启动策略的初创团队
• 产品经理：在功能优先级、资源分配上需要结构化思考的PM
• 创意从业者：探索品牌定位、内容方向的营销和创意人员
• 研究人员：需要多角度审视假设、设计实验方案的学术工作者

使用风险

1. 数据隐私风险：深度思考会话可能涉及商业机密或个人敏感信息，需确认 cellcog 的数据处理政策
2. 依赖单点故障：cellcog skill 的安全性和稳定性直接决定 think-cog 的可用性
3. 决策延迟陷阱：过度迭代可能导致"分析瘫痪"，需主动设定会话终止条件
4. 上下文丢失：长对话中早期约束条件可能被遗忘，建议定期总结关键决策点

核心用法

Think-Cog 是 CellCog 生态中的对话式思考协作技能，采用 Agent 模式实现人机协同的迭代式问题解决。与 fire-and-forget 类技能不同，它专为"答案未知、需共同探索"的场景设计。

工作流程：启动思考会话 → 与 CellCog 多轮对话 → 方案逐渐清晰 → 输出可执行策略。用户扮演"管理者"提供方向与领域知识，CellCog 扮演"执行者"提供推理深度与新视角。

典型场景：技术架构权衡（如实时系统选型）、商业战略抉择（如 SaaS 增长路径）、创意方向探索、复杂问题调试、重大人生决策等。

显著优点

1. 迭代式深度：不追求首答即终答，鼓励 4-5 轮对话沉淀洞察，模拟真实头脑风暴
2. 全模态执行：思考结束后可直接衔接 research-cog、docs-cog、video-cog 等执行技能，实现"想→做"闭环
3. 约束驱动优化：主动要求用户声明预算、时间、团队规模等约束，输出更贴合实际的建议
4. 哲学清晰：明确区分"发现模式"(think-cog) 与"执行模式"(其他 skills)，降低用户选择成本

潜在局限

1. 依赖 cellcog SDK：需前置安装 cellcog 技能，存在外部依赖
2. 非自主代理：与 agent-team 模式不同，需用户持续参与，不适合完全托管场景
3. 无内置记忆：多轮会话的上下文依赖外部 session 管理，长周期项目需手动归档
4. 质量天花板：输出质量受用户提问深度与反馈质量双向制约，被动用户可能体验不佳

适合人群

• 技术决策者（CTO、架构师、技术负责人）
• 早期创业者与产品经理（面临战略模糊地带）
• 需要结构化思考的复杂问题解决者
• 厌倦"一次性问答"、追求协同共创的用户

常规风险

• 思维锁定风险：过度依赖 AI 建议可能导致群体思维，建议主动挑战回应
• 执行落差：思考产出与最终执行之间仍需人力转化，非自动交付
• 会话成本：深度对话消耗较多 token，不适合简单查询场景
• 许可证不明：当前版本未明确声明开源协议