核心用法
本技能是一套「思考方法论 + 知识管理工具」的集成方案，包含两个可独立或组合使用的模块：
模块一：思考四层次框架。当用户提出"分析XX"或"帮我理清思路"时，系统自动激活四层思考模型——L1拆分（MECE原则分解复杂问题）、L2归纳（提取规律构建结构化知识网络）、L3联系（跨领域类比实现知识迁移）、L4提炼（5Why追问直达第一性原理）。四层递进，将混沌焦虑转化为可执行清单与深刻洞见。
模块二：知识库闭环系统。基于raw/原始资料、wiki/结构化知识、AGENTS.md规则手册的三层架构，执行七步 workflow：建立目录→编写规则→准备资料→AI摄入整理→跨资料问答→洞见回写→人工核查。关键设计在于"回写机制"——每次综合性回答后，AI需将新知写入wiki/对应页面，更新index.md导航与log.md日志，形成"摄入-整理-问答-沉淀-核查"的增强循环。
两模块深度耦合：知识库自动化"归纳"、辅助"联系"、固化"提炼"，成为用户的外挂大脑。
显著优点
认知科学落地。四层模型直接对应认知心理学中的信息加工理论——从感知觉分解到模式识别，再到图式建构与元认知监控，具有扎实的理论基础，非玄学套路。
闭环设计完整。区别于碎片化提示词，本技能构建了从思考到沉淀的完整 workflow，特别强调"回写"这一关键动作，解决AI对话"用过即忘"的痛点，让洞见真正积累为可复用的知识资产。
架构清晰可扩展。raw-wiki-AGENTS三层架构借鉴了知识管理领域的DIKW模型与Zettelkasten卡片盒思想，页面类型（摘要/概念/对比/流程）、格式规范、链接规则均有明确定义，便于用户根据领域定制。
纯文档零风险。完全基于Markdown，无可执行代码、无第三方依赖、无网络调用，功能与声明高度一致，审计透明。
潜在缺点与局限性
启动成本较高。需用户预先搭建目录结构、编写AGENTS.md规则、准备3-5份核心文档，对只想快速获得答案的轻量用户不够友好。
回写依赖自律。"每次综合回答后强制执行回写"是理想设计，但实际执行中用户可能遗忘或跳过，导致知识库逐渐空心化。技能本身无强制机制，依赖用户习惯养成。
跨资料问答质量波动。L3"联系"与L4"提炼"的效果高度依赖raw/资料的质量与多样性，若初始文档相关性不足或存在偏见，AI可能强行建立错误关联或得出片面结论。
人工核查负担。技能明确声明"Human owns verification"，但洞见的准确性验证需要用户具备一定领域知识，否则可能将AI幻觉误认为真知灼见存入知识库。
适合的目标群体
- 知识工作者：研究员、分析师、策略顾问等需处理大量信息并产出结构化洞察的专业人士
- 终身学习者：希望将碎片化阅读转化为系统化知识体系的自学者
- 项目管理与产品团队：需沉淀项目复盘、竞品分析、用户洞察等组织知识
- AI工作流进阶用户：已熟悉基础提示词工程，希望构建个人/团队认知增强系统的重度用户
不适合：追求即时答案的临时查询场景、无固定知识管理需求的轻度用户。
使用风险
性能风险：无。纯文档型技能无计算密集型操作。
依赖项风险：无。零第三方依赖，无供应链攻击面。
数据持久化风险：中等。功能需本地文件写入（wiki/目录、AGENTS.md），虽文档明确要求用户授权与核查，但若用户误操作或权限设置不当，可能导致资料覆盖或泄露。建议对raw/敏感资料设置访问权限，定期备份。
认知风险：需警惕。四层框架是强大思维工具，但过度结构化可能抑制直觉与创造性联想；AI辅助的"归纳"与"提炼"若缺乏人工批判性审视，可能强化 confirmation bias。建议保留 raw/原始资料的"混沌"作为对照。
来源风险：低。T2可信来源（ClawHub官方平台注册用户），MIT-0开源许可，但长期维护依赖社区，若发布者停止更新，架构设计仍可持续使用。