Research Cog

核心用法

Research Cog 是基于 CellCog 平台的深度多源研究技能，通过 agent 或 agent team 聊天模式发起研究任务。用户需先安装 cellcog 基础技能完成 SDK 配置，随后调用 client.create_chat() 提交研究需求。支持市场研究、竞争分析、投资尽调、学术综述、加密货币研究、数据分析、新闻监测等广泛场景，输出格式涵盖文本、PDF、HTML 仪表板及 XLSX 表格。

关键使用要点：需在 prompt 中显式要求引用才能获得带 URL 的溯源链接；长时间任务建议使用 OpenClaw 的 notify_session_key 实现异步通知。

显著优点

• 多源实时搜索：整合数百个信息源，获取最新数据
• 深度推理引擎：多智能体协作验证、交叉比对、识别矛盾
• 灵活输出格式：从快速摘要到交互式报告均可生成
• 模式分层：agent 模式适合快速查询，agent team 模式适合复杂综合研究
• 生态协同：与 fin-cog、crypto-cog、data-cog 等专业技能无缝衔接

潜在缺点与局限性

• 引用非自动：必须手动在 prompt 中要求，易遗漏导致可信度下降
• 依赖基础技能：需预先理解 cellcog 的 SDK 配置，入门门槛较高
• 异步机制局限：非 OpenClaw 用户只能阻塞等待，长任务体验不佳
• 黑箱合成：多智能体推理过程不透明，难以审计中间结论

适合人群

市场分析师、投资研究人员、战略咨询顾问、学术研究者、产品经理、媒体记者及任何需要进行多源信息验证与综合写作的专业人士。

常规风险

• 引用遗漏风险：未明确要求时输出可能缺乏溯源，影响决策可靠性
• 时效性幻觉：虽然声称实时搜索，但特定领域信息仍可能存在延迟
• 格式兼容性：HTML/XLSX 输出在不同平台的渲染一致性需验证
• CellCog 平台依赖：功能深度绑定特定供应商，迁移成本较高

核心用法

Research Cog 是由 CellCog 官方提供的研究型 Skill，本质上是纯 Markdown 文档形式的调用指南，不直接执行代码，而是依赖 cellcog 核心 Skill 完成实际的多源研究任务。用户需先安装 clawhub install cellcog，然后通过 OpenClaw 的异步 Agent 模式（fire-and-forget）或标准阻塞模式发起研究请求。

该 Skill 支持的研究场景非常广泛：市场研究与行业分析、竞争对手对标、投资尽职调查、学术文献综述、财务与加密货币分析、数据解读、新闻监测与趋势追踪等。输出格式灵活，包括纯文本、PDF 报告、交互式 HTML 仪表盘和 XLSX 数据表。使用时需在提示词中主动要求"引用来源"，系统才会附加可验证的 URL 链接。

显著优点

• 多源深度合成：整合数百个实时信息源，通过多 Agent 推理引擎交叉验证、识别矛盾
• 权威出处标注：支持显式引用请求，便于结果溯源和事实核查
• 格式多样：满足不同交付场景，从快速文本到专业 PDF/交互仪表盘
• 异步长任务友好：OpenClaw 的 agent/agent-team 模式适合耗时数分钟的深度研究
• 官方背书：CellCog 直接维护，T2 可信组织级别，服务域名明确

潜在缺点与局限性

• 依赖外部 Skill：功能完全绑定 cellcog，若依赖项未通过安全审查或版本不兼容，则无法使用
• 引用非自动：必须手动在提示词中要求引用，否则输出可能缺乏溯源信息
• AI 生成内容风险：多源综合依赖大模型推理，可能存在事实错误、信息过时或偏见
• 无本地执行：纯文档型 Skill，无离线能力，所有计算发生在 CellCog 云端
• 数据隐私考量：研究查询需发送至 cellcog.ai 处理，敏感商业信息需谨慎

适合人群

• 投资分析师、战略咨询顾问、市场研究人员
• 学术研究者、博士生、文献综述撰写者
• 产品经理、创业者进行竞品分析与行业扫描
• 需要定期新闻监测与趋势追踪的内容运营
• 对加密货币、新兴科技领域有深度研究需求的个人或机构

常规风险

• 依赖链风险：cellcog Skill 的安全等级直接影响本 Skill 的实际安全性
• 事实准确性：AI 综合输出需人工复核，关键决策不宜完全依赖
• 数据外泄：研究提示词中的敏感信息可能被记录于 CellCog 服务端
• 服务可用性：依赖外部 API，存在网络延迟、服务中断或费率变动可能