LongCat-DeepResearch 技术报告

TL;DR LongCat-DeepResearch 将全局规划、并行调研与章节级修订解耦，结合多代理工作流，在多项深度研究基准上取得领先，并通过数据构造反哺模型训练。

问题

问题背景

当前 AI 行业正从单轮问答转向能自动完成检索、规划、多步推理和长文合成的 Deep Research 系统。

现有方法局限

• 单一上下文与全量重写：许多现有 agent 在单个长上下文中完成规划、调研、撰写，局部修改往往触发全文重新生成，token 开销高且容易破坏已有内容。
• 规划与调查耦合：缺少独立的、可执行的研究计划，agent 容易在搜集证据时偏离原始问题，无法有效并行和复用。
• 证据管理薄弱：并行调研时各 section 的证据分散在不同上下文中，缺乏全局协调与交叉引用，导致报告一致性差。

为什么这个问题难/重要

• 上下文与证据保真：长报告需要多源引用，上下文窗口有限，如何在不丢失关键证据的前提下扩展任务规模是核心挑战。
• 多 agent 协调：全局评审与局部修订需要解耦，若每次修改都重写全文，成本随报告长度线性甚至超线性增长。
• 评估体系残缺：自动评估 deep research 的基准（如 DeepResearchBench / ResearchRubrics）仍不成熟，难以客观比较系统能力。

行业类比

类似代码智能体将任务分解为规划、编码、测试、修复的 pipeline，deep research 也需要“研究版”的 plan-and-execute 架构，以结构化计划驱动长文生成与迭代修订。

核心洞察

• LongCat-DeepResearch 的核心设计是将全局规划与局部研究彻底解耦，先通过多个规划 Agent 探索外部资料形成 ResearchSpec，再并行执行各节的研究与写作，最后仅对组装后的报告做局部修订。这种“先组装后编辑”的方式不同于许多端到端长文生成系统反复重写全文的做法，能显著降低上下文丢失和计算浪费，同时保留跨节证据协调能力，为多智能体研究报告系统提供了更可维护的工程范式。
• 该系统不仅是推理时的多智能体工作流，还通过解耦的接口采集“任务-轨迹”数据，用于 LongCat 通用模型的中训练与后训练。研究过程本身变成训练数据来源，形成从系统运行到模型能力提升的闭环。与只关注推理侧编排的同类系统相比，这种数据构建视角使模型能吸收研究规划、证据检索、章节写作等环节的模式，有望缓解通用模型在深度研究任务上的分布偏移。

方法

输入与总体流程

系统输入为开放式研究问题，输出为结构化的综合报告。工作流分为三个解耦阶段：全局规划 → 并行章节研究 → 组装与章节级编辑。

关键模块

1. 研究计划生成与细化：多个规划智能体先探索外部来源，将问题拆解为可操作的研究计划 ResearchSpec，包含章节分配、证据来源、搜索关键词等。规划视角的多样性来自不同智能体独立探索后的融合。
2. 并行研究代理：每个研究智能体负责一个章节，在独立的上下文中进行调查、收集证据并撰写草稿。随着分析深入，可自主发起额外搜索，避免不同章节之间的上下文污染。
3. 组装与协调编辑：所有章节草稿组装成完整报告后，全局审阅器识别跨章节的不一致、证据缺口或逻辑断裂，指导对特定章节进行局部修订。该方法避免了反复重写全文，降低长报告迭代成本。
4. 数据构建与训练支持：基于源材料生成问题与评分标准，检查证据可搜索性和任务质量，筛选分阶段轨迹用于 LongCat 模型的中期训练和后训练。

与同类方法的差异点

不同于常见的端到端生成或整体重写式深度研究系统，LongCat-DeepResearch 将全局规划与章节级执行彻底分离，并在组装后只做局部协调编辑，显著减少长报告场景下的计算与改写开销。

实验

实验设计

系统在 DeepResearchBench、DeepResearchBench II、ResearchRubrics 与内部基准上评估报告质量，重点考察证据支撑与可读性。内部基准包含四套对比系统，采用统一评分协议。开发集消融覆盖规划视角组合、ResearchSpec 细化程度与编辑器扩展配置，用于分离各模块贡献。

关键发现

• DeepResearchBench 得分 55.25，DeepResearchBench II 得分 51.35，ResearchRubrics 得分 79.83。
• 内部基准得分 76.04，在四套对比系统中排名第二。
• 组合多个规划视角带来明确收益；进一步细化 ResearchSpec 的效果混合，并非单调提升。
• 额外编辑提高两个基准上的平均自动可读性偏好，但各基准趋势不一致。

与基线对比的深度解读

内部基准排名第二说明方法已接近头部系统，但与第一名仍有差距。分段并行调查配合全局评审局部修订，显著降低全文重写成本，更适合工程化落地。编辑步骤对可读性总体正向，但不同基准趋势不同，提示需要依据报告类型动态决定编辑深度，不能默认全局套用同一策略。

行业影响

落地场景

LongCat-DeepResearch 的核心能力是生成证据扎实、可追溯的长篇研究报告，适用于需要深度信息整合与决策支持的产品场景：

• 企业知识库与竞争情报：自动追踪行业动态、竞品发布、技术趋势，输出结构化调研报告，替代人工初级分析。
• 金融投研与尽调：从财报、新闻、公告、第三方数据中交叉验证，生成公司或行业深度报告，支撑投资决策。
• 教育与科研辅助：为课程项目、文献综述、政策分析提供多源证据整理与引用标注，降低信息收集成本。
• 内容平台的长文生成：针对热点话题或知识类栏目，自动生成带引用来源的深度解读文章。

商业价值

• 降本：将资深分析师数小时至数天的资料搜集、交叉验证、初稿撰写压缩到分钟级，显著降低人力成本。
• 增收：通过 API 或 SaaS 形式提供深度研究报告服务，可成为企业订阅制的增值模块；在投研、咨询等高价值场景可按报告收费。
• 体验提升：报告附有证据链接与可追溯引用，减少幻觉带来的信任风险；多轮局部修订替代全文重写，缩短用户等待时间，适合交互式研究助手场景。

与现有产品/工作流的接口

LongCat-DeepResearch 以 多智能体工作流 形式封装，接口边界清晰：

• 输入：用户问题 + 可选初始资料；输出：ResearchSpec 计划、分节草稿、编辑后报告及引用轨迹。
• 可通过 REST API 集成到企业级知识管理平台、BI 工具或客服系统；ResearchSpec 可作为可审计的中间产物，便于人工复核。
• 训练数据构造接口支持从自身运行轨迹中筛选高质量样本，用于持续微调基础模型，适合有自研模型团队的企业。

具体落地用例

1. 电商平台的选品与市场分析：运营人员输入“2026 年户外储能电源的消费者关注点与竞争格局”，系统自动搜索电商评论、社媒、竞品页面，生成含市场细分、价格带、卖点趋势的报告，直接指导选品和广告投放。
2. 企业服务中的销售赋能：销售在接触大客户前，系统自动生成客户行业、财报、近期新闻、组织变动的尽调摘要，并附来源链接，帮助销售快速建立上下文，缩短准备时间，提高赢单率。

局限

• **规划与编辑的收益不稳定**:开发集分析显示,结合多个规划视角有正面效果,但进一步对 `ResearchSpec` 细化存在“混合效果”;额外编辑在 DeepResearchBench 和 ResearchRubrics 上的自动可读性偏好提升幅度不一,甚至趋势相反。这表明当前工作流中的一些超参数(如细化轮数、编辑强度)缺乏通用性,需要针对不同基准或任务进行调优,限制了开箱即用的稳健性。自动指标无法完全捕捉报告的事实一致性和论证深度,需要人工评估进一步验证。
• **评估与泛化性有限**:报告仅在三个公开基准和一个内部基准上验证,其中内部基准排名第二,说明系统并非全面领先。所有结果均来自自动评分,缺乏大规模人工评估,自动指标可能偏向某些风格而非内容正确性。此外,虽然提供了 GitHub 仓库和项目页,但训练数据构建、模型增强细节和评测协议部分内容较简略,复现完整系统有难度。跨领域、跨语言的泛化能力未讨论,实际部署效果待观察。
• **缺乏与最强基线的直接对比**:论文只与四个系统比较(自家基准),未与当前主流商业或开源 deep research 系统(如 OpenAI Deep Research、Perplexity 等)在相同设置下对比,因此难以判断相对位置。同时,没有报告生成延迟、token 消耗或硬件成本,对于实际工程落地,这些指标与质量同等重要。多智能体并行调查虽然提升效率,但独立章节上下文可能牺牲跨章节证据一致性(案例研究中也提到 cross-section coordination 仍有限),这是架构层面的内在限制。