当 AI 学会像历史学家一样思考：CANA 与类比深度研究

一个 AI 不擅长的事

问 ChatGPT："2026 年伊朗封锁霍尔木兹海峡，和历史上哪个事件最像？"

它大概率会回答："和 1973 年石油危机很像。"或者"和 1980 年两伊战争很像。"

这两个答案听起来合理，但都是表面匹配——都是"中东+石油+冲突"的关键词重叠。真正的历史学家不会这么思考。他们会问：这个事件的因果结构是什么？是供应链中断？是地缘博弈？是市场恐慌？然后去找因果结构相似的历史事件，哪怕表面看起来毫无关系。

MBZUAI 和 CMU 的 Yongqiang Chen 等人在论文《Analogical Deep Research: Retrieving and Integrating Historical Analogies for Foresight Analysis》中揭示了一个关键发现：LLM Agent 在找历史类比这件事上系统性地失败，因为它们匹配的是表面特征而不是底层机制。

问题的本质：类比是因果问题

论文的核心论断是：类比深度研究（ADR）本质上是一个因果推理问题。

为什么？因为要判断两个事件是否"类似"，你必须理解事件为什么发生，而不只是它是什么。1973 年石油危机和 2026 年霍尔木兹海峡封锁的相似之处，不在于"都是中东石油危机"，而在于：

• 机制 1：供应链中断导致短期价格冲击
• 机制 2：市场恐慌导致超调，随后回归
• 机制 3：地缘博弈中的威慑与反威慑

只有识别出这些底层机制，才能找到真正的类比——比如 1956 年苏伊士运河危机（机制 1+3）、2020 年新冠供应链断裂（机制 1+2）、1962 年古巴导弹危机（机制 3）。

基于这个分析，论文提出两条原则：

1. 机制对齐（Mechanism Alignment）：类比必须在因果机制层面匹配，不能只看表面特征。 2. 跨类比确认（Cross-Analogy Confirmation）：一个事件应该有多个独立类比互相印证，而不是只找一个就下结论。

CANA 框架

基于这两条原则，作者提出了 CANA（Causal Analogical Researcher）——一个引导 LLM 做类比深度研究的 Agent 框架。

CANA 的核心创新是结构化分解表示（Structural Decomposition）：把一个复杂事件拆解成多个因果机制，每个机制独立寻找类比，然后整合。

工作流程：

1. 结构分解：把当前事件拆成 N 个因果子机制（例如"供应链中断""市场恐慌""地缘威慑"） 2. 独立检索：对每个子机制，在历史语料中检索结构相似的事件 3. 结构反馈：用检索到的事件反向校验——"这个事件真的在因果机制上匹配吗？" 4. 反思改进：如果不匹配，重新分解或重新检索 5. 跨类比整合：多个子机制的类比事件汇总，找出被多个机制共同指向的历史事件

这个流程的关键在于第 3 步的结构反馈。它不是简单地"检索-返回"，而是"检索-校验-修正"。这和人类历史学家的思考方式一致：先有一个假设，然后用史料检验，如果史料不支持就修正假设。

一个具体的案例

论文里有一个精彩的案例研究："为什么 S&P 在能源冲击下仍接近历史高点？"（场景设定：2026 年 5 月，伊朗战争，霍尔木兹海峡关闭，油价 118 美元/桶）

普通深度研究 Agent（Gemini DR、ChatGPT DR、Qwen DR）的回答：

• Gemini DR 生成了一份 39KB 的报告，但引用了 0 个历史事件。它说："这是一个显著的异常现象……股市快速 V 型复苏……能源冲击的滞后效应，成本尚未传导到利润表。"——通篇是泛泛的分析，没有任何历史锚点。
• ChatGPT DR 和 Qwen DR 同样引用 0 个事件，只是列举风险："停火崩溃、OPEC 分裂。"

CANA（Claude）的回答：

识别出 4 个机制 × 3+ 个历史事件：

> "股市拐点领先于物理供应正常化 6-18 个月，当……"

CANA 找到的历史类比包括：

• 1973 年石油危机后的股市反弹模式
• 1990 年海湾危机的市场反应
• 2020 年新冠供应链冲击的修复路径

每个类比都对应一个具体的因果机制，而不是笼统的"石油危机"标签。

实验结果

论文构建了 ADR-bench——第一个类比深度研究基准测试。在这个基准上：

• CANA 在历史类比生成上带来最高 10% 的提升
• CANA 超越了当前最先进的深度研究 Agent
• 在进行中的事件（ongoing events）案例研究中，CANA 找到的类比被专家评估为更有洞察力

ADR-bench 的评估维度包括：因果同构（C. Isom.）、方向性后果（Dir. Con.）、映射一致性（Map. Con.）、覆盖度（Cov.）、系统对齐（Sys. Alig.）、新颖性（Nov.）等多个维度，由 GPT-5.4 做裁判。

一个类比来解释类比

CANA 做的事，可以用一个类比来解释：

普通 LLM 找类比，像本科生写论文——关键词一搜，找到标题相关的几篇，堆在一起交差。查重能过，但导师一看就知道没真正理解。

CANA 找类比，像资深历史学家——先把事件拆成几个因果线索，每条线索独立追根溯源，找到真正结构相似的历史事件，然后交叉验证，最后整合成一个有洞察力的分析。

差别不在知识量（LLM 的历史知识已经足够多），而在思考方式——是停留在表面关键词，还是深入到因果机制。

为什么这件事重要

对 Agent 研究：CANA 揭示了 LLM Agent 的一个系统性弱点——它们擅长描述，不擅长结构化因果推理。这个弱点不会被更大的模型或更多的数据自动修复，需要的是框架层面的干预。结构化分解 + 反馈校验是一个通用的解决思路。

对预测和决策：历史类比是人类做前瞻性分析的核心工具。从政策制定者到投资人，都在用"这次和上次 X 很像"来做决策。如果 AI 能更准确地找到结构相似的历史事件，就能提供更有价值的决策支持。

对历史学本身：CANA 的方法学和历史学界的"比较史学"（comparative history）一脉相承。它不是用 AI 替代历史学家，而是把历史学家的方法论形式化，让 AI 能遵循。

诚实的局限

• ADR-bench 的评估依赖 LLM 裁判（GPT-5.4），有循环评估风险。
• 结构分解本身依赖 LLM 的能力——如果 LLM 对事件理解有误，分解出的机制就是错的，后续检索再准也没用。
• 历史语料的覆盖度：论文没有详细说明历史事件语料的来源和范围。如果语料只覆盖了著名大事件，很多冷门但结构相似的类比会被遗漏。
• 10% 的提升听起来不大：但考虑到这是在 SOTA 深度研究 Agent 基础上的提升，且提升集中在"因果同构"这种核心维度上，实际价值可能比数字显示的更大。

结语

CANA 做的事让我想起一个故事：

据说有一位资深情报分析师，在 2001 年 9 月 11 日之前几周，写了一份报告指出"恐怖组织可能用民航客机作为武器"。他的依据不是什么机密情报，而是：1944 年一架 B-25 轰炸机撞进帝国大厦（机械故障），1994 年法航 8969 劫机案（恐怖分子计划撞埃菲尔铁塔但被阻止），1999 年印度航空 814 号班机劫机案。他在这些看似无关的事件中看到了同一个因果结构：民航客机 + 恐怖分子控制 = 飞行炸弹。

这是真正的类比思维。它不需要知道具体日期、具体航班，只需要识别出结构。

CANA 让 AI 朝这个方向迈出了一步。虽然 10% 的提升看起来不大，但它证明了一件事：结构化因果推理是可以被框架引导的。这比单纯堆参数更有意义。

---

论文：Analogical Deep Research: Retrieving and Integrating Historical Analogies for Foresight Analysis 作者：Yongqiang Chen, Guangyi Chen, Yuewen Sun, Kun Zhang（MBZUAI / Carnegie Mellon University）