类比深入研究：检索和整合历史类比以进行前瞻分析

当前形势与历史上结构相似的过去事件之间的系统比较，即历史类比，是预见分析最有力的工具之一。在这项工作中，我们向 大语言模型 (LLM) 智能体提出了一项名为类比深度研究 (ADR) 的新任务，并构建了第一个 ADR 基准 ADR-bench，以研究 LLM 智能体在进行预见分析时是否能够找到并利用历史类比。我们的调查揭示了一个关键障碍：LLM 智能体不善于寻找类比，因为它们匹配的是表面特征而不是底层机制。我们认为，ADR 本质上是一个因果问题，因为它需要了解事件发生的原因。基于我们的理论分析，我们提出了 ADR 所需的两个原则，包括机制对齐和交叉类比确认。基于我们的理论结果，我们提出了一个名为因果类比研究员（CANA）的新代理框架，指导 LLM 寻找和整合历史类比。 CANA 结合了简单而有效的结构分解表示，并集成了结构反馈，以反思性改进历史类比识别和集成。我们证明 CANA 在历史类比生成方面带来了高达 10% 的改进，并且超越了 ADR 平台中最先进的深度研究代理。对正在进行的事件的案例研究证实了 CANA 在利用历史类比方面的有效性。