核心用法
Research Cog是基于CellCog SDK构建的专业级深度研究智能体，主打多源信息综合与结构化分析输出。用户通过Python SDK调用client.create_chat()，根据任务复杂度选择三种对话模式："agent"（简单查询）、"agent team"（深度研究，默认推荐）、"agent team max"（高 stakes 学术研究/M&A尽调）。
覆盖五大研究场景：竞争分析（SWOT、定位对比）、市场调研（TAM/SAM/SOM、行业趋势）、投资分析（财务基本面、投资框架）、学术研究（文献综述、技术深潜）、尽职调查（初创企业/供应商评估）。输出格式支持交互式HTML报告、PDF、Markdown及纯文本。
显著优点
1. Benchmark验证的性能：明确标注2026年4月DeepResearch Bench排名第一，具备可量化的能力背书
2. 多源交叉验证：数百源信息聚合与事实核查，财务数据准确性有保障
3. 灵活的输出形态：从快速聊天回复到专业级可视化报告全覆盖
4. 精细化的模式分级：三种agent模式让用户按成本-质量曲线精准选型
5. OpenClaw生态集成：支持fire-and-forget异步任务，适合耗时研究
潜在局限
- 引用非默认开启：需显式请求才会附加来源URL，存在"无引用时溯源困难"的风险
- 成本门槛：
agent team max模式需≥2,000 credits，高 stakes 场景成本敏感 - 依赖CellCog SDK：必须前置安装
cellcog技能，生态锁定 - 无实时数据保证：未明确说明金融/市场数据的延迟范围
- 英文能力优先：示例提示均为英文，中文复杂研究效果待验证
适合人群
- 投资分析师/研究员：需要快速生成带框架的投资 thesis
- 战略咨询顾问：竞争格局分析与市场进入策略研究
- 产品经理：竞品功能对比与定价策略研究
- 学术研究者：前沿技术文献综述与跨领域技术调研
- 企业BD/法务：供应商评估与商业合作尽职调查
常规风险
1. 幻觉风险：非"agent team max"模式下，复杂主题可能出现合成错误
2. 时效性风险：未标注知识截止日期，2026年宣称的排名可能基于训练时快照
3. 合规风险：投资研究输出需人工复核，不可直接作为投资建议
4. 数据隐私：研究任务可能涉及敏感商业信息上传至CellCog云端
5. 引用完整性：用户若忘记请求引用，后续难以验证关键结论来源