用途：把过于宽泛、令人无从下手的主题或目标转成可导航的地图，输出主要分支、重要前置条件、薄弱或未知区域以及建议的下一步学习或行动起点，目的是减少 overwhelm、暴露缺失结构。
主要能力：支持多种输出模式——knowledge-tree（需理解什么）、task-tree（需做什么）、question-tree（需回答什么，由子问题组成父答案）、question-array（扁平但有结构的问题清单）、hybrid-tree；输出形态可选 flat-list、semi-organized-list、tree-map、iterative-map。支持选择分解视角（概念、组件、生命周期、任务、前置条件、风险等），以及广度优先、均衡、深路径等策略，并可用深度上限、节点丰富度、可视化方式（markdown-list、mermaid-graph、ascii-tree）控制产出。默认配置为 knowledge-tree、广度优先、深度上限 3、标准丰富度、markdown-list。
使用方式：先做预分解诊断，判断请求是否已足够具体、是否过于模糊、是否需要先做一次范围界定或澄清。遇到宽泛或含糊的需求时，进入“先审问”流程：列出 3 至 6 种可能解读，必要时询问想要哪种产物形态，再请用户一次性给出目标、成功标准、约束与现状等信息，然后明确选择模式与形态。兄弟节点尽量遵循 MECE 启发式，避免分支重叠，重叠时显式标注。
适用场景：学习一门广阔领域前先画知识地图、把模糊项目转成任务层级、把复杂问题拆成可回答的子问题、识别前置依赖与盲点、构建紧凑知识树。不适合任务本身已小而具体、用户明确要立即实施、主要难点是从原始材料提取结构、或需要在竞争假设间做深度推理的情况；后几种可分别转交知识积累、思考图谱或essence-workbench。
限制：默认规模参考为广度优先约 15–40 节点、均衡 30–80、深路径 20–60；超过约 100 节点通常说明范围过宽，少于 8 节点可能无需分解。完美 MECE 不一定可行，不应为显得整齐而强行分离。具体收费、平台支持等信息暂未提供。