DeepThink 是一个以投资组合（PF）分析为主题的技能，采用 Evaluator-Optimizer 模式：与一般的 stock-skills 只启动一次代理作答不同，它把「评估→改进」的循环持续到收敛为止。适合存在多个不确定性的判断，例如停战等地缘政治事件对 PF 的影响、再投资标的提案、面向数个月后的 PF 设计；若普通 stock-skills 足够则不使用。
使用流程分为多步：Step 0 需用户明确确认（执行/修改计划/取消），此为唯一等待应答的步骤，之后再进入自治循环；由主题零样本自动生成执行计划，并有 shallow/medium/deep 三档深度（分别对应不同的代理数与 LLM 调用上限）。Step 1 载入全部 lesson 后用 filter_relevant_lessons() 抽取与主题相关者，并读取标的的 thesis/observation，随后启动 stock-skills 代理。Step 2 进行自我评估与 4 方并行评审（GPT / Gemini / Grok + Claude 自身，不可省略），先固定各自硬约束能力（Grok 的 X 实时数据、Gemini 的 Google 搜索与长上下文），再按适配度分配反证、情景分析、lesson 审计、PF 一致性等推理角色；之后进行反证与重规划。Step 3 按不足清单补足调查，每项须写明「查什么→用哪个 LLM/工具→为什么」。Step 4 仅作中间报告，用户不干预即自治继续。Step 5 输出以执行摘要为先的三段式综合报告，含引用来源块。
技能声明了若干强制约束：涉及再投资、标的替换、候选筛选时须用 screen_stocks() 做数据驱动选股，不得凭 AI 知识手工选取；Step 1 前与 Step 5 前须通过 preflight 校验（如 cash_balance.json 未参照、conviction 违规、lot_size 不当会中止）；最终提案须逐字引用相关 lesson，否则重新生成；执行 Deep Research 或批量搜索后须交叉检查被判定不采用的标的是否混入提案。循环在上限（最大迭代、LLM 调用数、墙钟时间）到达时停止并请求用户批准。命令、代码与阈值等细节均以原始资料为准，本文不作改写；其余如具体定价、效果等资料未提供。