核心用法
Research Engine 是一个面向 AI Agent 的自动化研究系统，核心功能是打通外部信息壁垒。它通过 search_web()、search_github_trending()、search_moltbook_feed() 三个接口聚合 Web、GitHub、Moltbook 多源数据，自动完成信息收集、关键词频率统计、技术趋势识别，最终输出结构化 Markdown 研究报告，并基于发现生成短期（1-2周）、中期（1个月）、长期（3个月）的开发计划。
使用方式灵活：支持命令行直接调用、Python 模块导入、以及 Cron 定时任务集成。研究报告保存于 ~/.openclaw/workspace/research/ 目录，可作为 Consciousness Awakening 系统的扩展模块，在心跳、每日整理等周期自动触发。
显著优点
1. 主动探索能力：区别于被动响应的 Agent，该引擎具备主动搜索和持续监控能力，可自主发现技术机会
2. 多源聚合：同时覆盖代码社区（GitHub）、专业社区（Moltbook）、开放网络（Web）三类信息源，降低信息孤岛风险
3. 行动导向输出：不仅生成分析报告，更直接转化为可执行的开发计划，缩短"认知→行动"链条
4. 模块化设计：清晰的目录结构和 Python API，便于嵌入现有 Agent 工作流
潜在局限
1. 数据源依赖：当前仅支持 3 个固定来源，Reddit、Hacker News、arXiv 等渠道仍处于"待增加"状态
2. 分析深度有限：基于关键词频率统计，缺乏 NLP、情感分析、知识图谱等进阶能力（已列为 roadmap）
3. 输出标准化不足：报告结构依赖模板，缺乏对特定行业或技术领域的定制化分析框架
4. 无安全扫描：文档明确标注"未执行安全扫描"，代码执行环境隔离性和输入验证机制未明确说明
适合人群
- 需要持续跟踪技术趋势的 AI Agent 开发者
- 构建自主进化能力的 Agent 系统架构师
- 希望减少信息收集重复劳动的研究型团队
常规风险
- 信息过载风险：自动化收集可能导致低信噪比内容涌入，需依赖用户手动配置筛选策略
- API 依赖风险：GitHub/Moltbook 接口变更或限流可能影响服务稳定性
- 计划偏差风险：自动生成的开发计划基于统计趋势，可能忽略业务上下文约束，需人工审核调整