基于大语言模型的假设驱动深度研究：一种自动化知识发现的结构化方法论

当前AI驱动的研究系统采用直接的先搜索后总结范式，将假设视为科学发现的最终产物。我们认为这留下了一个关键缺口：假设可以发挥远为强大的作用，即作为组织研究过程本身结构的工具。我们提出假设驱动深度研究（HDRI）方法论——首个用假设来组织跨任意领域通用深度研究的框架，而非仅在特定领域内验证论断。这将研究从被动式信息检索转变为主动、可验证且迭代的知识发现。HDRI由六项核心原则和一个八阶段流程加以形式化。核心创新是缺口驱动的迭代研究机制——一个自动识别信息与逻辑缺口并触发针对性补充调查的闭环质量保证系统。我们进一步引入具有可追溯推理链和量化置信度传播的事实推理框架、防止实体混淆的主体锁定机制，以及多维质量评估方案。该方法论在INFOMINER系统中实现。实验表明，事实密度提升22.4%，主体匹配准确率达90%，多源验证置信度为0.92，缺口驱动补充带来14%的完整性增益。五个案例研究验证了其实用性，平均质量评分为4.46/5.0。