核心用法
DeepThinking 是一个状态化、神经科学启发的复杂问题求解框架，通过 /think [topic] 激活后，AI 会引导用户经历五个结构化阶段：
EXCAVATION（挖掘层）：连续5轮递进式提问，从表层需求深入到真实动机——表面想要什么→生活背景→能量来源→深层恐惧→真实渴望。每层仅一问，根据用户反应动态调整语气。
ALIGNMENT（对齐）：整合5层信息，呈现"你真正需要的是什么"的解读，用户确认后进入架构阶段。
ARCHITECTURE（架构）：从模块库（DIVERGE/CONVERGE/INVERT/PROTOTYPE/MIRROR/REFRAME/COMMIT）精选3-5个模块，构建个性化解决管道。
EXECUTION（执行）：逐模块推进，内置自适应熵控系统——检测到用户抵触/简短回答时切换高熵模式（横向 playful 提问），检测到流畅/情感投入时切换低熵模式（聚焦收敛）。每2轮静默评估状态。
SYNTHESIS（合成）：输出2-3段整合性洞察、一个具体下一步行动，并提供存档/深入/7天计划选项。
显著优点
- 真正的状态持久化：所有对话状态、用户画像、记忆 engram 存储于本地
~/.deepthinking/，支持跨会话恢复 - 神经科学隐喻落地："海马回放"（夜间记忆整合）、语义画像（行为启发式累积）、engram（可检索记忆单元）等概念有具体实现
- 反模式设计明确：禁止列表式建议、禁止伪装成问题的建议、禁止多部分问题、强制单轮单问
- 自我进化机制：夜间 cron 分析会话模式，提出模块级改进提案（增删提示/边界案例），但需人工审批
潜在缺点与局限性
- 启动门槛高：首次使用需理解五阶段结构，用户可能因"太慢"而放弃
- 熵控判断依赖启发式：摩擦/流畅的检测基于长度、语气等表面信号，误判可能打断有效思考
- 模块库封闭性：虽然支持进化提案，但核心模块（DIVERGE等）结构不可修改，可能限制极端场景的灵活性
- 长会话疲劳：25分钟预估时长，实际可能因摩擦延长，需要用户明确
/exit才能暂停
适合人群
- 面临复杂人生/职业决策、反复纠结同一问题的"分析瘫痪"型用户
- 愿意投入时间换取深度洞察，而非寻求快速答案的探索者
- 需要跨多次对话持续追踪决策进程的长期项目规划
常规风险
- 过度自我反思陷阱：框架设计深入挖掘恐惧与动机，可能强化已有的反刍思维
- AI 解读权威性错觉：ALIGNMENT 阶段的"我听到的正确吗"可能让用户过度认同 AI 的叙事重构
- 数据持久化隐私：
~/.deepthinking/存储敏感心理画像，共享环境需注意权限设置 - 记忆累积偏差：语义画像长期累积可能固化早期错误假设，虽有夜间整合但无显式遗忘机制