总安装量 7
评分人数 9
核心用法
research-cog 是一个配置型 Skill，需配合 cellcog SDK 使用。用户通过 client.create_chat()() 发起研究请求，设置 chat_mode="agent team" 启用深度研究模式，支持竞争分析、市场研究、股票分析、学术研究和尽职调查五大场景。研究完成后通过 Daemon 异步通知，无需轮询。
显著优点
1. 权威背书：DeepResearch Bench 2026年2月排名第1，研究质量经第三方评测验证
2. 场景覆盖全面：从 SWOT 分析到投资论点构建，从学术文献综述到创业公司尽职调查，满足商业与学术双重需求
3. 输出格式灵活：支持交互式 HTML 报告、PDF、Markdown 和纯文本，适配不同使用场景
4. 研究深度可控：Agent Team 模式支持多源交叉验证、引用核实和多轮推理，显著提升输出质量
5. 结构化输出：复杂研究自动组织为执行摘要、关键发现、可执行建议等模块，降低信息消化成本
潜在缺点与局限性
1. 依赖外部 Skill：核心功能完全依赖 cellcog，若 cellcog 不可用则 Skill 失效
2. 引用非默认开启：需显式请求才会提供引用来源，未请求时可能缺乏可追溯性
3. 异步模式学习成本：Fire-and-forget + Daemon 通知模式对习惯同步调用的开发者需要适应
4. 无本地执行能力：纯文档型 Skill，无法离线使用或自定义研究逻辑
5. 数据准确性依赖源质量：金融和统计数据虽经交叉验证，但仍受限于底层数据源时效性和可靠性
适合的目标群体
- 投资分析师：需要快速构建投资论点、进行同业对比和风险评估
- 市场研究人员：负责行业规模测算、趋势追踪和竞争格局分析
- 战略咨询顾问：为客户制作带引用的深度市场进入或竞争策略报告
- 学术研究者：需要文献综述、技术前沿追踪和跨学科研究整合
- 产品经理与创业者：进行竞品分析、尽职调查和商业模式验证
使用风险
1. 供应链风险：cellcog 的安全性和稳定性直接影响本 Skill 可用性，建议同步审查
2. API 成本风险：深度研究涉及多轮推理和多源数据调用，可能产生较高 Token 或 API 费用
3. 数据时效性风险：研究输出依赖训练数据截止时间和实时数据接口，关键决策需人工核实最新信息
4. 引用完整性风险：未显式请求引用时，难以验证具体数据来源，学术或合规场景需特别注意