核心用法
DeepThinking 是一个有状态的深度思考框架，模拟神经科学中的记忆巩固机制，专为解决没有标准答案的复杂人生问题而设计。用户通过 /deep [主题] 激活，系统将引导完成五个阶段：
1. EXCAVATION（挖掘） — 五层递进提问，从表面需求深入到真实恐惧与核心动机
2. ALIGNMENT（对齐） — 整合挖掘结果，向用户确认深层理解
3. ARCHITECTURE（架构） — 根据用户画像选择 3-5 个认知模块（DIVERGE/CONVERGE/INVERT 等）组成处理管道
4. EXECUTION（执行） — 动态切换高低熵模式，在摩擦期放宽、流畅期收紧，每模块 3-7 轮对话
5. SYNTHESIS（综合） — 输出连接性洞察、单一下一步行动，并存储为长期记忆
框架具备 长期记忆系统（engrams 存储关键洞察）、自我进化机制（3AM 夜间分析优化提示词）、以及 自适应熵控制（实时检测用户认知状态并调整策略）。
显著优点
- 深度个性化：通过五层挖掘和语义画像，真正理解用户行为模式而非套用模板
- 状态持久化：会话保存在
~/.deepthinking/，可随时中断与恢复 - 反诱导设计：强制单问题、零建议、禁止列表式输出，避免 AI 常见的"答案幻觉"
- 认知科学基础：借鉴 System 1/2 思维、海马体记忆巩固、认知熵理论
- 进化能力：通过夜间 cron 任务分析模式，持续优化提问策略
潜在缺点与局限性
- 高时间成本：完整流程需 25+ 分钟，不适合快速决策场景
- 依赖用户投入：需要用户愿意暴露脆弱性（Layer 3 恐惧层），防御性强者效果受限
- 状态管理复杂：多脚本调用（state.py/evolve.py/memory.py）增加了故障点
- 无实证验证：缺乏临床试验或学术对照研究支持其有效性
- 记忆隐私风险：长期存储用户心理画像，虽本地存储但仍需考虑敏感数据管理
适合人群
- 面临重大人生转折（职业转型、关系决策、创业方向）的反思型决策者
- 厌倦了"10个技巧"式建议、寻求深度自我理解的用户
- 愿意投入时间进行结构化内省的认知工作者、创作者、战略思考者
常规风险
- 过度分析陷阱：框架本身可能强化用户的分析瘫痪倾向
- 情感暴露风险：Layer 3-4 的脆弱性挖掘可能触发未处理的心理议题
- 路径依赖：长期记忆形成的"用户画像"可能固化偏见，抑制成长
- 技术依赖：Python 脚本环境要求可能排除非技术用户
- 伪科学外衣：神经科学术语（hippocampal replay, engrams）可能赋予未经证实的权威性