用途：按情境因果结构的可认知程度做复杂性领域分类，并据此选择响应姿态。它源自 Cynefin 框架，此处为描述性命名。
主要能力：把整体情境或各部分分别归入五个领域——Clear（因果明显，最佳实践；姿态 sense-categorize-respond）、Complicated（因果存在但需专家分析；sense-analyze-respond）、Complex（因果仅事后可见；probe-sense-respond，安全失败实验）、Chaotic（无可感知因果；act-sense-respond，先行动建立稳定）、Confusion（尚不知属于哪一类，危险是默认选最熟悉的领域，应拆解为可归类的部分）。每个所用领域都要给出具体下一步行动，而非只贴标签。
使用方式：仅在用户明确要求该分类或 Cynefin 时运行。步骤为：先声明证据警示（C 级概念性，2021 年 PMC 综述称其有效性尚无科学证明）与商标归属；再对情境或部分做归类；把归类说明为判断而非测量，不确定的放入 Confusion；最后按 references/TEMPLATE.md 输出，警示在前，并附各领域的响应姿态与具体行动。
适用场景：团队对问题类型使用了错误管理风格时点明错配；作为选择行动方式的前置步骤，为复杂领域的安全失败实验提供正当性，并提示 Confusion 陷阱。
限制：不能替代决策，停在标签上即典型的“货船崇拜”失败；枚举单一结果的原因应改用 think-issue-tree，并行持有多个不确定外部未来应改用 think-scenario-planning，按既定标准在选项中抉择应改用 think-decision-option-review。不得编造该方法有效性的统计数字。证据由人类管理者、临床医生与引导者迁移而来，未经 AI 验证。