LongCat-DeepResearch 技术报告 LongCat-DeepResearch Technical Report
LongCat 深度研究系统以 ResearchSpec 协调多智能体规划、章节研究与分层编辑。
前置知识
深度研究智能体
指让大模型作为智能体面对开放式研究任务时，自主完成「检索外部来源→评估证据→综合成长篇带引用报告」完整循环的系统。与一次性问答不同，这类任务的定义不完整、证据需求随调查推进而演变、最终输出是数千字的综合报告。代表系统包括 OpenAI/Google/Anthropic 的 Deep Research 产品，以及学术界的 STORM、WebThinker、TTD-DR 等。
本文本身就是一个深度研究系统，理解它的动机、评测基准和三个对比对象都需要这一背景。
多智能体工作流
把一个复杂任务拆给多个各自拥有独立上下文和角色提示的 LLM 实例协同完成：例如规划者、执行者、批评者各司其职。独立上下文避免了单一超长上下文中不同任务的信息互相干扰，但代价是需要在角色之间设计显式接口（规约、指令、中间产物）来传递信息。
LongCat-DeepResearch 的规划、研究、编辑三层全部是多智能体设计，这是理解其方法结构的框架。
ReAct 范式
Reasoning 加 Acting 的循环：模型交替生成思考（推理下一步该做什么）和行动（调用搜索、读网页等工具），观察工具返回结果后再继续推理，直到产出最终答案。它是 LLM 智能体最基础的编排方式，也常作为深度研究系统的基线配置。
Table 5 用「旧模型加 ReAct 直接写作」作为消融基线（三基准平均仅 47.04 分），用来凸显新工作流本身的贡献。
RACE 相对评分协议
DeepResearchBench 的官方评测方法：先为每个任务动态生成评测准则，对被评报告和强参考报告分别打分 $S_{tgt}$ 与 $S_{ref}$，再按 $100 \times S_{tgt}/(S_{tgt}+S_{ref})$ 计算相对分，四个维度为 Comprehensiveness、Insight/Depth、Instruction-Following、Readability，任务内相对化后再跨任务宏平均。
论文主结果 55.25 就是该协议下的分数，理解它才能正确解读与 ChatGPT 54.95 之间 0.30 分差距的含义。
上下文管理
长任务中智能体的上下文窗口有限，必须决定保留什么、压缩什么、外置什么：MemGPT 把工作记忆与外部存储分离，AgentFold 学习细粒度的上下文折叠，RE-TRAC 跨尝试携带结构化摘要。糟糕的压缩会在信息相关性尚未显现时就把它删掉，造成不可逆损失。
本文的动机正来自上下文竞争问题，其解法（独立章节上下文加上完整章节产物保留）是对压缩路线的正面回应。
Rubric 评测（准则式评测）
不用单点印象分，而是用一组具体准则逐条检查报告：每条准则描述一个必须出现的事实、推断或格式要求，可带正负权重。ResearchRubrics 配备 2593 条专家撰写的准则，DeepResearchBench II 用 9430 条从专家文章自动提取的原子准则，以通过率作为报告分数。
三个公开基准中有两个是 rubric 式评测，而且论文的训练数据构造同样以「证据支撑的 rubric」为核心。
研究动机
开放式深度研究要求智能体调查定义不完整的问题、从多样外部来源收集证据并综合成长篇报告，但证据需求无法在研究开始前完全确定：随着分析推进，新出现的解释会暴露缺失的证据，未决的论断需要进一步核实，新的研究问题不断产生。现有系统用不同方式实现这种研究与写作之间的反馈：WebThinker 交错进行推理、检索与写作，TTD-DR 用不断演化的草稿引导后续检索和修订，STORM 在写作前先发展多视角。当这种反馈依赖不断增长的研究历史或反复的全篇更新时，会出现三个具体困难。第一，证据、中间推理和草稿文本在有限上下文中互相竞争，压缩操作可能删掉相关性尚未显现的信息。第二，早期发现会锚定正在成形的叙事，收窄后续搜索的视角，导致覆盖面变窄。第三，反复重写整篇报告会把大量算力花在与新证据无关的段落上。这些问题在长报告场景（如需要覆盖几十个子章节的综述型任务）中尤其严重。
本文的目标是本文的目标是构建一个模型与工作流结合的深度研究系统，把早期迭代的对象从全篇报告转移到一份紧凑的「研究需求规约」上，实现全局协调与局部深挖的解耦。具体而言：多个规划智能体先独立搜索并阅读外部来源，整合出可执行的 ResearchSpec，明确每个章节的范围、研究问题、必需实体与来源线索；随后每个章节研究者拿到完整规约和单一任务，在各自独立上下文中并行调查，写出带引用的完整章节；最后先把全部章节机械组装成草稿，再由全局编辑器识别跨章节问题并下发指令，由局部编辑器做定向修订，避免反复重写全篇。量化目标是在 DeepResearchBench、DeepResearchBench II、ResearchRubrics 三个公开基准上与 Gemini、ChatGPT、Claude 三家 DeepResearch 产品进行系统级对比并取得领先，同时让同一套阶段接口能够服务于 LongCat 通用模型 mid-training 与 post-training 阶段的研究数据构造。
与已有工作不同的是，本文的独特切入是把「全局议程」物化为一份规划完成后即冻结的紧凑执行接口，而不是持久知识图谱或不断演化的草稿。与 RhinoInsight 的可验证清单、DualGraph 的知识与大纲双图不同，ResearchSpec 不负责存储全部中间知识，只规定章节级的执行责任，规划阶段结束并通过验证（ID 唯一性、父子关系、连续排序、必填字段）后即固定，后续研究在章节内部展开。与 WebWeaver 的证据-大纲交错优化、TTD-DR 的演化草稿、CogGen 允许全局重构的写-审循环不同，本文在组装之前不反复修改全局结构。与 SearchSwarm 等把子智能体报告压缩后回传编排器的做法不同，本文让每个研究者在自己上下文中直接把证据写成带引用的完整章节，原稿全程保留供编辑对照，降低对反复压缩共享历史的依赖。编辑阶段进一步把「全局判断」（所有权判定、冲突识别）与「局部生成」（按指令修订）分离，一次编辑调用不需要重新生成整个文档。
核心方法
整体直觉是：用一份短小的规约替代长报告来承载早期迭代，用并行的独立上下文承载局部深挖，用两层编辑器承载全局协调。工作流分三个阶段。第一阶段「探索与规划」：多个 Planning Writer 各自做简短搜索和来源阅读，独立提出候选 ResearchSpec；Planning Judge 整合候选，Critic 主动搜索缺失的问题与案例（案例研究中它标记出遗漏的「Deep Portfolio Theory」方向），Reviser 吸收反馈修订；视角数与轮数的预算参数控制规划算力。第二阶段「章节研究」：每个 Researcher 收到原始查询、完整 ResearchSpec 和一个章节任务，在独立上下文中并发执行，可随分析发展继续扩展调查，写出带引用的完整章节。第三阶段「组装与编辑」：系统按规约顺序机械组装全部章节，即使内容重叠也保留原文；Global Editor 通读全稿，指定重复材料的所有权并下发修改指令；Local Editor 带全稿、规约和指令修订各自章节。三个阶段接口（查询→规约、任务→章节、草稿+指令→修订章节）同时服务于数据构造与阶段式评估。
核心创新是把「早期迭代的对象」从全文换成 ResearchSpec。规约记录每个可派发子章节（层级 ID 如 S1.2）的范围、研究问题、必需实体或案例和初步来源线索，是「报告需要成立什么」的紧凑代理；它可以在投入大规模检索之前被检查、修订和验证，而全文一旦写成就难以低成本地重新定向。与已有方法的本质区别有三点。其一，规约在规划阶段完成后冻结，章节研究期间不再重开全局议程，换来的是各章节上下文的稳定性和完全并行性；其二，每个研究者把自己上下文中的证据直接写成带引用的完整章节，而不是压缩成摘要回传给一个统一的写作者，组装后原稿仍然保留，后续编辑以对照方式工作，规避了长历史反复压缩导致的信息损失；其三，编辑分为 Global（读全稿、判所有权、发指令）与 Local（按指令改单节）两层，把「判断需要改什么」与「生成修改后的文本」解耦，一次编辑调用只需重新生成局部文本。
方法步骤详情
流程如下。第一步探索与规划：输入为原始查询；多个 Planning Writer 在预算内搜索阅读来源，各自输出候选规约；Judge 整合，Critic 列出缺失方向（如案例中的 HP1），Reviser 输出修订后的 ResearchSpec。第二步验证：检查 ID 唯一性、父子关系、连续排序和必填字段，非法规划进入修复或回退，未解决的错误阻止派发。第三步章节研究：每个 Researcher 输入为原始查询加完整规约加单一章节任务，在独立上下文中并发执行，输出带引用的完整章节（案例中 S1.2 的 CAPM 任务产出含 Roll 批评与 Fama-French 实证检验的章节）。第四步组装：按规约顺序机械拼接全部章节，保留文字与引用。第五步编辑：Global Editor 通读全稿，输出所有权判定与修改指令（如把 Fama-French 1992 详细论述划归 S1.5，S1.2 只留简述并交叉引用）；Local Editor 按指令修订自己的章节。同一套接口反向用于数据构造：以 CC-BY 综述或多源简报构造问题与 rubric，原子准则经可搜索性检查后，教师轨迹按角色一致性、工具闭环、产物有效性过滤，用于模型训练。
技术新颖性
技术新颖性体现在三处。第一，ResearchSpec 被明确定位为「执行接口」而非知识库：相关工作中 RhinoInsight 用可验证清单约束研究动作、DualGraph 维护共演化的知识与大纲双图、SearchOS 外化覆盖与待办任务，都把结构当作持久状态；本文的规约只在规划阶段内修订、派发前验证、研究期冻结，把全局结构的复杂度限制在规划阶段。第二，章节产物全程保真：Deep-Reporter 需要同时维护循环全局摘要与逐字局部尾部，SearchSwarm 返回压缩的带引用子报告；本文研究者直接在自己上下文中完成「取证据→写章节」，组装后原稿仍可对照，编辑只在指令范围内重新生成文本，这与 Mr. Dre 揭示的「修订满足新反馈但损害早期覆盖与引用质量」形成直接对应。第三，数据构造与系统共用阶段接口：任务来自独立授权的 CC-BY 综述或冻结多源简报，事实准则必须经过限定预算的可搜索性检查，轨迹记录教师执行的规约、工具调用与编辑决策并按多项检查过滤，使模型训练数据与系统能力同源、可分阶段评估。
实验结果
主结果（Table 1）：DeepResearchBench 得 55.25（RACE 相对分 $100 \times S_{tgt}/(S_{tgt}+S_{ref})$，GPT-5.5 medium 评判），超 ChatGPT 54.95 达 0.30 分，comprehensiveness 56.21、insight 56.48 第一，但 readability 49.96 垫底。DeepResearchBench II 得 51.35（9430 条原子 rubric 通过率），领先 Claude 48.18 达 3.17 分，analysis 60.69 远超次高 52.26，presentation 83.13 落后 ChatGPT 86.98。ResearchRubrics 得 79.83（2593 条专家准则，Gemini 2.5 Pro 评判），领先 ChatGPT 74.21 达 5.62 分，explicit 86.97、synthesis 78.92 第一，但 instruction following 66.27 低于 ChatGPT 74.47。内部基准 76.04 排第二，落后 ChatGPT 76.59 约 0.55 分。消融（Table 2）：Full 平均 63.91，单规划者 59.56，单一全文研究者 62.07，无编辑器 63.30。规划细化（Table 3）：规约覆盖率 W0 53.76% 升至 R1 63.14%，报告总分 J0 85.13 最高。编辑扩展（Table 4）：三轮增强编辑 B3 平均 72.19 高于未编辑 A0 的 70.89，可读性偏好 50 升至 53.96。配置对比（Table 5）：旧模型加 ReAct 仅 47.04，换新框架 58.05，再换新模型 62.14，框架贡献 +11.01 大于模型 +4.09。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| DeepResearchBench（100 个博士级研究任务，22 个领域，中英各 50，RACE 协议，GPT-5.5 medium 评判） | RACE 总分 | 55.25 | ChatGPT-DeepResearch 54.95；Claude-DeepResearch 53.43；Gemini-DeepResearch 50.21 | +0.30（对最强基线 ChatGPT） |
| DeepResearchBench II（132 个任务，9430 条原子 rubric，GPT-5.5 medium 评判） | 总体 rubric 通过率 | 51.35 | Claude-DeepResearch 48.18；ChatGPT-DeepResearch 47.16；Gemini-DeepResearch 46.72 | +3.17（对最强基线 Claude） |
| ResearchRubrics（101 个真实提示，2593 条专家准则，Gemini 2.5 Pro 评判） | 加权总分 | 79.83 | ChatGPT-DeepResearch 74.21；Claude-DeepResearch 72.91；Gemini-DeepResearch 64.92 | +5.62（对最强基线 ChatGPT） |
| 内部基准（自动评测，Content/Analysis/Presentation 加权） | 加权总分 | 76.04（排名第二） | ChatGPT-DeepResearch 76.59；Claude-DeepResearch 61.42；Gemini-DeepResearch 42.49 | -0.55（落后第一名 ChatGPT） |
| 组件消融（DRB-II 与 ResearchRubrics 开发子集，同题对比） | 两基准平均分 | Full 管线 63.91 | 单规划者→Reviser 59.56；单一全文研究者 62.07；无编辑器 63.30 | +4.35（对比单规划者配置） |
| 模型×框架配置对比（全量三基准） | 三基准平均分 | 62.14（新模型+新框架） | 旧模型+ReAct 直接写作 47.04；旧模型+新框架 58.05 | +15.10（对比 ReAct 基线）；换框架贡献 +11.01，换模型贡献 +4.09 |
局限与改进
作者承认：原生基准分、规划覆盖率与引用支持度量的是不同性质，自动评测中未改动的内容也可能得到不同的 rubric 判断；问题自助法区间只捕捉问题抽样变异，不反映重复生成与评判的不确定性；组件、规划细化与编辑研究使用事先检查过、部分按先前模型分数挑选的开发子集，存在选择偏差；检索窗口、实际算力与恢复历史在各研究之间不同；网络内容与托管产品的变化使精确复现不可能；ResearchSpec 在章节研究期冻结，重开全局议程超出当前管线；研究者和编辑都可能遗漏有用细节；报告冗长、密集、重复，可读性是明确短板（DRB readability 49.96 全场最低）；Global 与 Local 编辑器都要读全稿，受输入上下文限制；增强编辑器同时改变来源访问、指令和迭代轮数，各因素贡献无法分离。我补充几点：DRB 上对 ChatGPT 的 0.30 分优势未报告统计显著性；引用事实核查协议 FACT 被明确不报告；内部基准不公开，无法独立核验；所有对手结果都来自特定客户端模型配置，系统级比较无法归因到单一组件。
独立分析的弱点
独立分析的弱点：第一，可读性是系统性短板——DRB readability 49.96 低于全部对手，内部基准 presentation 仅 52.99 而 ChatGPT 达 74.64，差距超过 21 分，说明「证据召回优先」的设计牺牲了行文组织，改进方向是把可读性维度显式加入 Local Editor 指令或增设专门润色轮。第二，指令遵循不稳定：ResearchRubrics 上 instruction following 66.27 明显低于 ChatGPT 的 74.47，可能因为并行章节写作时字数、格式等全局约束缺乏统一执行者，可在组装后增加约束检查器。第三，编辑收益依赖多轮全稿输入，长报告 Token 成本高，可改为按指令相关段落的选择性输入。第四，规约冻结导致无法响应章节研究中涌现的新方向，案例最终报告仍缺 Treynor 与 CPPI 即为例证，可加入受限的重规划通道。第五，终稿清理缺失：案例报告保留内部标识符「S1.5」而正文标题无该编号，应增加编号一致性与引用完整性的自动校验。
未来方向
作者提出的方向：把重开全局议程的后续研究轮纳入管线；分离增强编辑器中来源访问、指令与迭代次数各自的贡献；进行匹配的训练消融以定位各数据源与训练阶段的贡献；扩大任务覆盖并重复运行以刻画趋势稳定性与资源需求；继续改进报告的长度、密度与重复问题。基于成果可以延伸的方向：其一，ResearchSpec 与轨迹接口天然支持「过程奖励模型」——训练一个给规约覆盖率、章节与任务符合度打分的模型，在线引导各阶段算力分配；其二，编辑层的所有权判定可形式化为跨章节去重与冲突消解问题，用图结构调度局部修订以避免全稿输入；其三，KEEP/REVISE/DROP 可搜索性门控可推广为通用的「可答性」估计器，服务于开放域问答的数据筛选；其四，可读性短板提示可引入人类偏好反馈的强化学习阶段或专门的可读性 rubric 训练；其五，轨迹中保留的完整中间产物使失败恢复数据可用于训练自我纠错行为。
复现评估
复现评估：报告提供了项目页与代码链接，工作流本身（多规划者、并行研究者、两级编辑）可以按论文描述搭建，但 LongCat 模型权重与内部基准的细节未随论文公开，第三方无法完全复制系统级比较。评测侧依赖特定闭源组件：DeepResearchBench 与 DRB-II 用 GPT-5.5 medium 评判，ResearchRubrics 用 Gemini 2.5 Pro 评判；三个对手系统通过官方客户端访问（Gemini 3.7 Flash、GPT-5.6 Sol xhigh、Claude Opus 5 xhigh），这些模型版本随时间演进且网络内容持续漂移，作者自己承认精确重放不可能。算力方面，单份报告的生成涉及多个 planner、若干并行 researcher 和多轮全稿编辑，Token 消耗显著高于单智能体 ReAct 基线——Table 5 显示质量差距约 15 分，但成本差距未报告。组件研究的开发子集部分按先前模型分数挑选，存在选择偏差。总体复现难度为中高：复刻工作流结构可行且有价值，精确复现分数几乎不可能，适合作为架构设计参考而非精确对比基线。
论文图表
主结果表，四系统在四个基准上的总分与全部维度分数。LongCat 在三个公开基准总分第一（DRB 55.25、DRB-II 51.35、RR 79.83），四基准描述性平均 65.62 也最高；内部基准 76.04 排第二。维度层面：DRB 上 comprehensiveness 56.21、insight 56.48 最高但 readability 49.96 最低；DRB-II 上 analysis 60.69 领先次高 8.43 分但 presentation 83.13 落后 ChatGPT 3.85 分；RR 上 explicit 86.97 最高但 instruction following 66.27 低于 ChatGPT 74.47；内部基准 presentation 52.99 远低于 ChatGPT 74.64。
论文全部核心证据所在，既展示领先也暴露可读性与指令遵循短板，是解读结论与局限的基础。
规划细化研究：W0 为单一 Writer 的固定规约，J0 为 Judge 整合三个 Writer 的规约，R1/R2 为一/两轮 Critic/Reviser 循环。规约覆盖率从 W0 的 53.76% 升至 J0 的 60.47%、R1 的 63.14%（R2 略降至 62.48%）；报告总分上 J0 的 85.13 最高（W0 81.67，R1 84.34，R2 84.89），其中 J0 的 implicit 87.11 与 R2 的 87.99 各为同类最高。各阶段下游 Researcher 与 Editor 配置相同。
揭示规划迭代的收益边界：规约聚合显著提升覆盖与报告质量，但进一步细化对报告质量的回报有限甚至为负。
编辑器扩展研究：A0 为未编辑草稿（DRB-II 55.87、RR 85.91、平均 70.89）；A1 为原编辑器一轮（70.85）；B1/B2/B3 为增强编辑器（增加来源摘录与事实核查指令）的一/二/三轮，平均分依次为 70.17、71.28、72.19，B3 的 DRB-II 达 58.38。可读性为自动偏好分（50 为持平）：A1 50.00，B1 50.42，B2 53.33，B3 53.96。A1 是独立对照而非 B1 的起点。
证明协调式局部修订可以随轮次改善可读性而不损害原生基准分，回应了「修订损害早期覆盖」的已知风险。