RhinoInsight：通过控制机制提升深度研究能力
计算与语言
2025-11-25 v1 人工智能
摘要
大型语言模型正从单轮响应者演变为具备持续推理与决策能力的工具使用智能体，能够进行深度研究。主流系统采用计划-搜索-写作-报告的线性管线，由于缺乏对模型行为和上下文的显式控制，导致错误累积和上下文衰减。我们引入 RhinoInsight，一个深度研究框架，通过添加两个控制机制在不进行参数更新的情况下提升鲁棒性、可追溯性和整体质量。首先，Verifiable Checklist 模块将用户需求转化为可追溯可验证的子目标，融合人类或 LLM 评论家进行细化，并编译分层提纲以锚定后续行动，防止非可执行计划。其次，Evidence Audit 模块结构化搜索内容，迭代更新提纲，修剪噪声上下文，while 评论家对高质量证据进行排序并绑定到撰写的内容，以确保可验证性并减少幻觉。我们的实验表明，RhinoInsight 在深度研究任务上实现了最先进的性能，同时在深度搜索任务上也保持竞争力。
引用
@article{arxiv.2511.18743,
title = {RhinoInsight: Improving Deep Research through Control Mechanisms for Model Behavior and Context},
author = {Yu Lei and Shuzheng Si and Wei Wang and Yifei Wu and Gang Chen and Fanchao Qi and Maosong Sun},
journal= {arXiv preprint arXiv:2511.18743},
year = {2025}
}