AI写研究报告，为什么让"多个大脑"分头干活比"一个大脑"从头到尾更靠谱

你有没有让AI帮你写过一份深度研究报告？

那种几千字、要查资料、要分析、要有理有据的那种。如果你试过，大概率会遇到一个尴尬场面：AI一开始写得挺像样，写到后面开始重复啰嗦，或者你想让它补充一个新发现的信息，它一改就把前面写好的内容改乱了。

这不是AI偷懒，而是一个更深层的结构性问题。美团LongCat团队最近发的一篇技术报告，把这个问题讲透了，还给出了一套解法。这套系统叫LongCat-DeepResearch，在几个权威的深度研究评测集上拿到了不错的成绩，我们今天就来聊聊它到底解决了什么、怎么解决的。

写报告这件事，难在哪

先说一个可能违背你直觉的事实：写一篇开放性的深度研究报告，比回答一个具体问题难得多，难的不是"找不到答案"，而是"你一开始根本不知道要找什么"。

这么说吧，如果你要查"2023年某公司营收是多少"，这是个封闭问题，答案就在那里，找到就行。但如果你要写一篇关于"AI在金融投资中的应用"的综述报告，你在动笔之前，根本无法穷尽所有要涉及的理论、案例和最新进展。你可能写着写着才发现，漏了一个关键的研究团队，或者某个论断需要补充新证据才站得住脚。

这就是研究报告和普通问答的本质区别：证据需求是在写作过程中逐渐暴露出来的，而不是一开始就能列清楚的清单。

那现有的AI系统是怎么处理这个问题的呢？报告里提到，主流路径大概有两种。一种是让AI一边搜索一边推理一边写，走一步看一步；另一种是先搞出一份草稿，然后不断拿这份草稿去指导后续的检索和修改。

这两种做法都会撞上同一堵墙。

**当研究历史越滚越大，或者需要反复重写整篇报告时，会出现三个具体的麻烦。**

第一个麻烦是资源打架。证据、中间推理过程、草稿文字，这些东西全都要塞进AI的"脑子"（也就是它能处理的上下文窗口）里，空间有限，就得压缩。可压缩这个动作本身很危险,你现在觉得不重要而删掉的信息，很可能就是后面写到某一段时突然变得至关重要的证据。

**上下文窗口**：指AI一次能读取和处理的文本长度上限，好比一个人一次能记住的信息量，超出这个量就得取舍。

第二个麻烦更隐蔽,早期形成的一些结论会像磁铁一样吸住后续的思路，让AI后面的搜索都围着这个初步判断转，视野越写越窄。第三个麻烦是效率问题：每次有新证据进来就把整篇报告重写一遍，等于是为了改一句话，把全书都印刷了一遍。

这三个问题合在一起，逼出了LongCat团队的核心追问：**能不能让AI既保持一个共同的研究方向，又不必把所有细节都塞进一个越滚越大的雪球里？**

ResearchSpec：把"报告草稿"换成"报告说明书"

LongCat团队想出的办法，说白了就是四个字：分而治之。但这四个字怎么落地，才是真正见功力的地方。

他们引入了一个叫ResearchSpec的东西。

**ResearchSpec**：可以理解成一份"研究执行说明书"，它不是报告本身，而是对报告需要覆盖哪些内容、每部分要回答什么问题、需要什么证据的一份紧凑清单。

这里的巧思在于，团队没有让AI一上来就动笔写草稿，而是先让多个独立的"规划写手"（Planning Writers）分头去互联网上简单搜索、阅读资料，然后各自提出一份候选的报告结构。这几份草案会被一个叫"规划裁判"的角色汇总合并，再由一个"批评者"角色专门去挑毛病、找遗漏，最后由"修订者"把这些反馈吸收进去，形成最终版的ResearchSpec。

这个过程你可以想象成公司里筹备一个大项目。如果只让一个人闷头做方案，那这个人的知识盲区就是整个项目的盲区，他没想到的角度，永远不会出现在计划里。但如果先让三个不同背景的同事各自琢磨一版方案，再开会碰撞、挑刺、补漏，最后拿出来的方案质量显然会更扎实。如果没有这个"多人分头探索再汇总"的步骤，报告的整体视野很可能一开始就窄了，后面写得再细也救不回来。

ResearchSpec里记录的东西很具体：每个小节要覆盖的范围、需要回答的研究问题、必须提到的实体或案例，还有初步的信息来源线索。每个可以独立执行的小节都有一个唯一编号，比如S1.2，团队管这些执行单元叫"section"。

**section（章节/执行单元）**：报告里可以被单独分配给一个研究员独立完成的最小写作单位，有点像团队项目里"这一块归你负责"的任务包。

值得一提的是，这份说明书在正式分发给各路"研究员"去干活之前，会经过验证器检查,编号有没有重复、父子关系对不对、顺序是否连贯、必填字段是否齐全。有问题就打回去修，实在修不好就回退到之前验证过的版本。这是个挺工程化的细节，但恰恰说明团队把"计划质量"当成了一件不能将就的事,毕竟这份计划一旦定下来，就要在后续阶段被"锁死"，不会再轻易推翻重来。

有意思的是，团队专门做了个实验来验证"计划要不要反复打磨"这件事，值得多说两句。他们设计了四个阶段：W0是只用一个写手的方案，J0是三个写手方案经裁判整合后的版本，R1是再经过一轮"批评-修订"循环的版本，R2是两轮循环后的版本。

结果挺耐人寻味。**从W0到J0，也就是从单人方案到多人整合方案，无论是计划本身覆盖的完整度（从53.76%涨到60.47%），还是最终报告在ResearchRubrics评测上的得分（从81.67涨到85.13），都有明显提升。**

但从J0到R1、R2，也就是继续增加批评修订轮次，计划覆盖度确实还在爬（63.14%到62.48%），可最终报告的得分反而有点起伏，R1的83.24分和R2的84.89分都没超过J0的85.13分。

这说明什么呢？说明"集思广益"这一步是真金白银的收益，但"反复精雕细琢"之后，收益会打折扣，甚至可能不划算。研究团队自己也坦诚地写道，这是"喜忧参半的效果"，没有回避这个不那么漂亮的结果。这种诚实挺难得的，很多技术报告会选择性地展示最好看的那组数据，但这篇报告把矛盾的地方也摆出来了。

每个章节独立开小灶：写作和查证不脱节

计划定好了，接下来就是真正动手研究和写作的阶段。这一步的设计思路也很有意思。

LongCat团队让每一个"研究员"智能体，只拿到三样东西：最初的用户问题、完整的ResearchSpec、还有分配给它的那一个具体章节任务。然后这个研究员就在一个完全独立的上下文环境里，自己去搜索资料、自己去阅读验证，最后自己把这一节内容写出来。

这里的关键设计是,同一个智能体既是这一节的"调查员"，也是这一节的"撰稿人"，中间不需要经过一次"我先总结给别人听，别人再帮我写"的转手。

这个设计解决了什么问题？我们可以拿记者写深度报道来打比方。如果一个记者去实地采访三个月，回来后只交给另一个人一份浓缩的采访提纲，让那个人凭提纲写稿子，那写出来的稿子必然会丢失很多现场的细节和微妙的语气,因为提纲本身就是一次信息损耗。但如果采访者自己动笔写，那些没写进提纲、但采访时记在心里的细节，反而更容易被自然地写进正文里。

如果不这样设计，让研究和写作分成两个角色，会发生什么？报告里专门做了对照实验，叫"一个跑全流程的研究员",也就是同样拿到完整的ResearchSpec，但不是分给多个人并行处理，而是让一个研究员用单一的研究历史来完成整份草稿。

**结果是DeepResearchBench II的分数从Full方案的48.68掉到了45.64，ResearchRubrics也从79.14掉到了78.49，平均分从63.91跌到62.07。**

这个差距足以说明，把研究工作拆开并行处理，不只是为了省时间，更是为了保证每一部分的调查深度不被稀释。

各个研究员是并行工作的，谁也不看谁写了什么，这样才能同时深挖多个方向而不互相干扰。但这也意味着，不同章节之间难免会出现内容重复,毕竟大家各干各的，谁也不知道别人已经写过某个论据了。这就引出了下一步：怎么把这些各自独立完成的稿子拼在一起，还不显得凌乱。

先拼装，再统筹修改：编辑不用重写整本书

前面说到,反复重写整篇报告的代价很高。LongCat团队给出的解法是把"全局判断"和"局部改写"这两件事彻底分开。

具体流程是这样的。各个章节写完之后，系统先按照ResearchSpec里规定的顺序机械地把它们拼接起来，形成一份完整草稿，哪怕这时候内容有重复也先不管。

然后，一个叫"全局编辑"（Global Editor）的角色会通读这份完整草稿，它的任务不是动笔改写，而是做判断：哪部分内容重复了、应该归哪一节负责、有没有前后矛盾的地方、需要做哪些调整。这些判断会变成具体的"指令"。

接下来，"局部编辑"（Local Editor）拿到这些指令，加上完整草稿和原始的ResearchSpec作为参考，只去修改自己被分配到的那一小节，而不是把整篇文章重新生成一遍。

这个分工方式，很像一本书的主编和分册编辑的关系。主编通读全书之后发现，某个历史事件在第三章和第七章都详细讲了一遍，就会在批注里写"详细内容放第七章，第三章简写并加个引用指向第七章"，然后具体动笔精简第三章文字的，是负责第三章的编辑，而不是主编亲自重写。

如果没有这层分工，会怎样？每次编辑意见提出来都得把全书重新写一遍，且不说计算成本会飙升，更麻烦的是,每重写一次，就多一次把原本写得好的地方不小心改坏的风险。报告里提到了一篇叫Mr. Dre的研究，直接证明了"报告修订能满足新反馈，但也会损害原本已经写好的覆盖面或引用质量",这正是团队想要规避的陷阱。

报告里给了一个具体的案例，特别能说明这套编辑机制是怎么运作的。这个案例是一篇关于AI增强型投资组合管理的报告。在关于CAPM资本资产定价模型的章节里，研究员写了一段关于Fama-French 1992年研究的详细论述，说的是市场beta值对股票收益率没有解释力这件事。但这个发现其实在另一节，也就是三因子模型那一节里，也需要用到，且更适合详细展开。

全局编辑读完全文后做出判断：这个发现的详细论述应该放在三因子模型那一节，CAPM那一节只需要保留核心结论，加一句"详见另一节"的交叉引用就够了。局部编辑收到这个指令后，把CAPM那一节里原本详细的论述精简成了一句话，末尾加了"discussed in detail in S1.5"这样的引用。

这段修改被完整保留在了最终得分89.29分的报告里，说明这套机制确实起了作用。不过报告也很坦诚地指出了这个案例里的瑕疵,修改后的文字里保留了内部编号"S1.5"，但最终展示给读者的标题其实并没有对应显示这个编号，算是一个"收尾没做干净"的小瑕疵。而且这份报告依然漏掉了Treynor和CPPI这两个应该被提及的知识点。

这恰恰说明了一件很朴素的事：一套设计精良的流程，也不能保证万无一失。研究团队没有回避这一点，反而把这个不完美的例子专门拿出来当案例分析，这种态度比一味展示"完美案例"要真实得多。

数据说话：到底好在哪、又差在哪

说了这么多设计思路，最终还是要看效果。LongCat-DeepResearch在三个公开评测基准和一个内部基准上，和Gemini-DeepResearch、ChatGPT-DeepResearch、Claude-DeepResearch这三个知名产品做了对比。

**在DeepResearchBench上，LongCat-DeepResearch拿到55.25分，比表现最好的对手（ChatGPT-DeepResearch的54.95）高出0.30分。**

**在DeepResearchBench II上，LongCat-DeepResearch拿到51.35分，比Claude-DeepResearch的48.18分高出3.17分，其中分析维度的优势尤其明显，60.69分对比第二名的52.26分，差距接近8.5分。**

**在ResearchRubrics上，LongCat-DeepResearch拿到79.83分，比ChatGPT-DeepResearch的74.21分高出5.62分。**

在内部基准上，LongCat-DeepResearch排名第二，76.04分，比ChatGPT-DeepResearch的76.59分低0.55分，但比Claude-DeepResearch的61.42分和Gemini-DeepResearch的42.49分要高不少。

有意思的是短板也很明显：在DeepResearchBench的"可读性"这个维度上，LongCat-DeepResearch的49.96分反而是四个系统里最低的，落后ChatGPT-DeepResearch的51.51分。这说明这套系统更擅长把信息查全、查深，但在让文字读起来轻松流畅这件事上，还有提升空间。团队在报告的局限性部分也直言不讳地写了这一点:这个框架优先保证证据的全面和研究要求的覆盖，写出来的报告可能偏长、偏密、甚至有点啰嗦。

再说说编辑这一步到底值不值得做。团队做了个对照实验，比较了原始编辑器（跑一轮）和"增强版编辑器"（可以看到引用来源的原文片段，还带事实核查指令，跑一到三轮）的效果。

结果显示，跑到第三轮增强编辑（B3）时，DeepResearchBench II的原生分数从没编辑时的55.87涨到了58.38，同时读者对可读性的偏好评分也从50分（打平）涨到了53.96分。**这说明多轮编辑确实能让文章读起来更顺，还能顺带修正一些事实错误。**

报告里举了个具体例子：某篇关于在线学习的报告草稿里，原本把一项调研的地点错误地写成了"Arab Region"（阿拉伯地区），参与人数写成3348人，经过编辑之后修正为"Jordan"（约旦），具体人数是280名学生加50名教师，这个修正让对应问题的原生得分提高了1.59分。

但团队也没藏着掖着地承认，编辑并非纯粹的正收益。比如在一篇关于全民基本收入的报告里，编辑让试点相关的段落结构更清晰，拿到了一个结构性加分项，但同时因为对定量数据的归因表述变弱了，反而丢掉了一个权重更高的引用质量加分项，最终净效果是扣了1.25分。

团队甚至还发现了一个挺微妙的"评分错觉":有些新增加分的事实其实早就存在于未编辑的原始草稿里，只是评分模型这一次"注意到了"而已。分数变高，未必真的是编辑增加了信息量，这提醒我们评测本身也是有噪声的，不能盲目迷信分数的绝对值。

从流程到数据：这套系统还在训练AI自己

除了直接拿来写报告，这套系统还有一个不那么显眼但挺重要的功能:它顺带给LongCat团队自家的通用模型提供了训练素材。

因为整个流程被拆分成了规划、研究、编辑这几个清晰的阶段，每个阶段的输入输出都是结构化、可检查的，这就天然适合拿来构造训练数据。团队会先基于一篇有明确授权的评论文章，或者一份经过整理的多信源简报，提炼出研究问题和对应的评分标准（rubric）。

**rubric（评分标准/评判准则）**：可以理解成给一篇报告打分用的详细checklist，规定了必须包含哪些事实、哪些分析、甚至有些是"不能出现的错误内容"这种反向要求。

这里有个细节挺值得说的，就是团队对"这道题能不能查到答案"这件事做了专门验证。对于要求"记忆事实类"的评分点，系统会去搜索除了原始那篇文章之外的其他信息源，看看这个事实是不是能被独立验证到，如果找到了完整支撑就标记"保留"，只有部分支撑就标记"修订"，完全找不到就直接"丢弃"。只有当一道题的所有评分点都拿到"保留"，这道题才算通过质量关。

这道工序背后的用意其实很朴素:如果拿来训练AI的问题本身就是查无实据的伪命题，那再厉害的模型也只会学到一堆没法验证的空中楼阁。

硬碰硬的对照实验：换个"大脑"和换个"流程"哪个贡献更大

最后还有一组挺硬核的对照实验，回答了一个很实在的问题:到底是"底层模型更强"贡献大，还是"这套多智能体协作流程"贡献大？

团队做了三组对比。第一组是LongCat的上一代模型，配上一种更简单的边搜索边写作的方式（ReAct，直接生成报告，不走这套复杂流程）。第二组是同样的上一代模型，但换上现在这套完整的研究流程。第三组是最新的LongCat模型，同样配上这套完整流程。

**结果非常清晰：光是给老模型换上新流程，DeepResearchBench II的分数就从33.13飙升到48.68，涨幅接近50%；ResearchRubrics也从60.33涨到71.90。三个基准的平均分从47.04涨到58.05，涨了11分。**

而在流程不变的情况下，把模型从旧款换成新款，平均分又进一步从58.05涨到62.14。

这组数据传达的信息挺重要的:光靠堆更强的模型，未必能解决深度研究报告写作的问题，流程设计本身贡献了相当大一部分的提升,而模型能力和流程设计，是两个可以叠加、互相独立生效的改进方向，这也印证了整个报告开篇提出的那个核心判断,把研究和写作拆开、把全局协调和细节调查分开处理,这个架构性的思路，本身就是有实打实价值的。

写在后面

读完这篇报告，最触动我的其实不是那几个评测分数，而是团队处理"失败"和"不完美"的方式。

大部分技术报告习惯把最好看的结果放在最前面，把有争议的地方一笔带过。但这篇报告反而花了相当篇幅去讲"计划反复打磨之后效果反而下降了"、"编辑有时候会把好的引用质量改坏"、"某个案例最后拿了89分，但里面还是漏了一个关键学者的理论"。

这种诚实带来一个挺有意思的启发:一个系统的"优秀"，不是靠消灭所有瑕疵，而是靠让每一次失误都变得可追溯、可归因。你能清楚地指出"CAPM那一节的引用编号没显示对"，本身就说明这套流程留下了足够清晰的痕迹，让问题定位变得可能。这比一个黑箱式地吐出一份看起来完美、但你说不清哪里可能有问题的报告，其实更值得信任。

还有一个细节让我反复琢磨:那个"计划集思广益有用、但反复精雕细琢收益递减"的实验结果。这让我联想到写作这件事本身,一开始多听几个人的意见确实能打开思路，但如果无限次地开会讨论、反复推翻重来，很可能到最后大家已经忘了最初想解决的问题是什么，反而把计划改得四不像。什么时候该停止讨论、动手去做，这可能是任何协作系统，无论是AI还是人类团队，都要面对的共同难题。

那么问题来了,如果连AI系统都要在"集体智慧"和"过度打磨"之间找平衡点，那我们自己在做一份方案、写一篇文章之前，是不是也该问问自己:我现在是在真正补全信息盲区，还是只是在用"再想想"来逃避真正动笔的那一刻？

Q&A

Q1：LongCat-DeepResearch是什么？

A：LongCat-DeepResearch是美团LongCat团队推出的深度研究系统，结合了增强版的LongCat大模型和一套多智能体协作流程，能够针对开放性问题生成有证据支撑的完整研究报告。

Q2：ResearchSpec在LongCat-DeepResearch中起什么作用？

A：ResearchSpec是一份紧凑的研究执行说明书，记录了报告每个章节要覆盖的范围、需要回答的问题、必须提及的实体和信息来源线索，它在正式研究写作前先由多个规划智能体讨论确定，之后保持固定，用来指导各章节独立研究和写作。

Q3：LongCat-DeepResearch的评测表现怎么样？

A：它在DeepResearchBench拿到55.25分、DeepResearchBench II拿到51.35分、ResearchRubrics拿到79.83分，均超过对比的三款知名深度研究产品，但在内部基准和可读性维度上略逊于ChatGPT-DeepResearch。