深度思考协作

技能简介

Think Cog 是一个面向复杂问题的迭代式思考伙伴。它不追求一次性给出答案，而是通过"思考→执行→复盘→重复"的完整循环，与用户共同探索技术架构、商业策略、创意方向等模糊领域的解决方案。

业务背景

面对技术选型、战略决策等复杂问题时，单次问答往往难以穷尽关键考量。本工具通过迭代式协作机制，将模糊议题拆解为可评估的维度，帮助团队在架构设计、资源分配、创意打磨等场景中系统性地降低决策盲区，提升方案可行性。

落地案例：某产品团队需在微服务与单体架构间抉择时，输入团队规模、预算上限及性能需求后，工具先输出多维度评估框架；针对首轮分析中的运维成本疑虑，补充历史故障数据追问，获得含具体取舍建议的对比报告；最终要求生成技术评审文档草稿，供团队会议讨论定稿。

能做什么

• 技术架构权衡分析：评估不同方案在团队规模、成本、性能等维度的取舍
• 商业策略推演：基于现有数据梳理增长路径与资源分配优先级
• 创意方向探索：在投入生产前多轮打磨品牌定位与内容角度
• 问题调试协作：针对机器学习过拟合、系统故障等难题进行结构化排查
• 重大决策框架：将模糊的选项转化为可量化的评估维度

使用说明

前置依赖安装

clawhub install cellcog

需先阅读并配置 cellcog 技能的 SDK 环境，完成 API 密钥设置。

启动思考会话

result = client.create_chat(
    prompt="描述你的复杂问题...",
    notify_session_key="agent:main:main",
    task_label="thinking-session",
    chat_mode="agent"  # 必须启用 agent 模式
)

关键要点

1. 使用 chat_mode="agent" 而非 fire-and-forget 模式，保持对话连续性
2. 主动提供背景信息：团队规模、现有数据、约束条件
3. 回应 CellCog 的追问，每次交换推进理解深度
4. 要求输出具体产物（文档草稿、数据可视化、原型代码）以验证思路

输入与输出

见下方输入与输出表格。

风险提示

• 该技能需要持续的人工参与，不适合完全自动化的批量任务
• 复杂问题的收敛时间不确定，需预留充足交互轮次
• 输出质量高度依赖用户提供的上下文完整性
• 涉及关键业务决策时，建议交叉验证 AI 生成的分析框架

来源信息

原始链接：https://github.com/openclaw/skills/tree/main/skills/nitishgargiitd/think-cog/SKILL.md
来源类型：GitHub 开源技能仓库