Исследователи представляют задачу и бенчмарк Analogical Deep Research (ADR), а также ADR-bench, предназначенные для проверки способности агентов больших языковых моделей эффективно извлекать и интегрировать исторические аналогии для анализа будущего. Исследование выявило, что текущие агенты испытывают трудности, поскольку сопоставляют поверхностные признаки, а не лежащие в основе причинно-следственные механизмы.
Для решения этой проблемы авторы предлагают Causal Analogical Researcher (CANA), агентный фреймворк, который использует структурную декомпозицию и обратную связь для согласования механизмов в аналогиях. CANA достигает улучшения до 10% в генерации исторических аналогий и превосходит передовые агенты глубокого исследования на ADR-bench.
Кейс-стади с участием текущих событий подтверждают эффективность CANA в использовании исторических аналогий для точного анализа будущего.