Peneliti memperkenalkan Analogical Deep Research (ADR), tugas dan benchmark baru (ADR-bench) yang dirancang untuk menguji apakah agen Model Bahasa Besar dapat secara efektif mengambil dan mengintegrasikan analogi historis untuk analisis antisipatif. Studi ini mengidentifikasi bahwa agen saat ini mengalami kesulitan karena mencocokkan fitur permukaan daripada mekanisme kausal yang mendasarinya.
Untuk mengatasi hal ini, penulis mengusulkan Causal Analogical Researcher (CANA), sebuah kerangka kerja agentic yang menggunakan dekomposisi struktural dan umpan balik untuk menyelaraskan mekanisme di antara analogi. CANA mencapai peningkatan hingga 10% dalam generasi analogi historis dan melampaui agen penelitian mendalam mutakhir pada ADR-bench.
Studi kasus yang melibatkan peristiwa yang sedang berlangsung mengkonfirmasi efektivitas CANA dalam memanfaatkan analogi historis untuk analisis antisipatif yang akurat.