研究人员引入了类比深度研究（ADR），这是一项旨在测试大型语言模型智能体能否有效检索和整合历史类比以进行前瞻性分析的新任务和基准（ADR-bench）。研究发现，当前智能体之所以表现不佳，是因为它们匹配的是表面特征而非潜在的因果机制。

为解决这一问题，作者提出了因果类比研究者（CANA），这是一个利用结构分解和反馈来对齐不同类比间机制的智能体框架。CANA在历史类比生成方面实现了高达10%的提升，并在ADR-bench上超越了最先进的深度研究智能体。

涉及当前事件的案例研究证实了CANA在利用历史类比进行准确前瞻性分析方面的有效性。