工作流即所需：通过高熵信息觅食与对抗性步调逃离“统计平滑陷阱”
摘要
垂直领域长文本生成的核心在于当前大语言模型 (LLM) 面临的“不可能三角”：同时实现低幻觉、深度逻辑连贯和个性化表达。本研究确立，这一瓶颈源于现有生成范式陷入统计平滑陷阱，该现象忽视了高熵信息获取和专家级写作所固有的结构化认知过程。为解决这一局限性，我们提出了 DeepNews 框架，这是一个明确建模资深财经记者隐式认知过程的智能体工作流。该框架集成了三个核心模块：首先，基于信息觅食理论的双粒度检索机制，强制执行 10:1 的饱和信息输入比以减轻幻觉输出；其次，模式引导的战略规划，利用领域专家知识库（叙事模式）和原子块构建稳健逻辑骨架的过程；第三，对抗性约束提示，一种部署包括节奏破坏和逻辑迷雾在内的战术以打破模型生成文本固有的概率平滑性的技术。实验描绘了深度财经报道中显著的“知识悬崖”：当检索上下文低于 15,000 字符时，内容真实性崩塌，而超过 30,000 字符的高冗余输入使无幻觉率 (HFR) 稳定在 85% 以上。在与中国顶尖科技媒体机构进行的生态效度盲测中，基于上一代模型 (DeepSeek-V3-0324) 构建的 DeepNews 系统实现了 25% 的投稿录用率，显著优于最先进 (SOTA) 模型 (GPT-5) 零样本生成 0% 的录用率。
引用
@article{arxiv.2512.10121,
title = {Workflow is All You Need: Escaping the "Statistical Smoothing Trap" via High-Entropy Information Foraging and Adversarial Pacing},
author = {Zhongjie Jiang},
journal= {arXiv preprint arXiv:2512.10121},
year = {2025}
}
备注
22 pages, 8 figures. Includes an ecological validity blind test where the Agentic Workflow achieved a 25% acceptance rate in top-tier media, decisively outperforming the SOTA Zero-shot baseline (0%). Features the DNFO-v5 ontology