基于假设的大语言模型深度研究：一种用于自动化知识发现的结构化方法论
人工智能
2026-05-12 v1
摘要
当前基于 AI 的研究系统采用直接的“搜索-然后-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空白：假设可以作为一种组织工具，发挥更强大的作用，来构建研究过程本身。我们提出了基于假设的深度研究 (HDRI) 方法论——这是第一个使用假设来组织跨任意领域的通用深度研究的框架，而不仅仅是验证特定领域内的主张。这将研究从被动的信息检索转变为主动的、可验证的、迭代的知识发现。HDRI 形式化了六个核心原则和一个八阶段流水线。一个核心创新是间隙驱动的迭代研究机制——一个自动识别信息和逻辑间隙、触发针对性补充调查的闭环质量保证系统。我们进一步引入了一个具有可追溯推理链和量化置信传播的事实推理框架、一个防止实体混淆的主体锁定机制，以及一个多维质量评估方案。该方法论在 INFOMINER 系统中实现。实验表明，事实密度提高了 22.4%，主体匹配准确率达到 90%，多源验证置信度为 0.92，间隙驱动补充带来的完整性增益为 14%。五个案例研究验证了其实用性，平均质量评分为 4.46/5.0。
引用
@article{arxiv.2605.10224,
title = {Hypothesis-Driven Deep Research with Large Language Models: A Structured Methodology for Automated Knowledge Discovery},
author = {Michael Chin},
journal= {arXiv preprint arXiv:2605.10224},
year = {2026}
}