美团LongCat团队用ResearchSpec把深度研究拆成规划、并行分节研究与全局到局部编辑，在三个公开基准上取得55.25、51.35和79.83分

系统把早期研究迭代从不断扩写的整篇报告转移到一份紧凑的ResearchSpec上，该规范记录每个章节的范围、研究问题、所需实体或案例以及初步来源线索，并在派发前通过ID唯一性、父子关系、连续顺序和必填字段校验。 此前工作或交错进行推理、检索与起草，或用不断演化的报告引导后续检索与修订；这里把全局理解编码为一份可检查、可修订的执行接口，而不是持续增长的草稿或持久知识图谱。 论文给出方法描述与校验规则，并在案例研究中展示合并后的ResearchSpec把四个主题拆成19个子节，Critic以HP1标记遗漏的Deep Portfolio Theory并促使Reviser将其加入S2.2。

研究阶段按章节并行执行：每个Researcher收到原始查询、完整ResearchSpec和一个章节任务，在独立上下文中继续取证并直接写出带引用的完整章节，随后机械按ResearchSpec顺序组装。 与依赖共享研究历史或压缩摘要再交给单独写手的做法相比，同一智能体把本地证据直接带入写作，完整章节在组装与编辑过程中被保留。 组件消融显示，完整流水线在DeepResearchBench II与ResearchRubrics上的平均为63.91，高于单一整篇报告Researcher的62.07和One Writer Reviser的59.56，各条件使用相同问题ID。

编辑阶段先组装再协调：Global Editor阅读完整草稿、分配重复材料的归属并指定修改，Local Editor在指定章节内应用指令，从而减少对整篇报告反复重写的依赖。 与一次性重新生成整篇文档不同，这里把全局判断与局部文本生成分开，并保留原始章节与组装草稿以供比较。 编辑扩展实验中，增强编辑从B1到B3使平均可读性偏好由50.42升至53.96，B3相对未编辑草稿在DeepResearchBench II与ResearchRubrics上的原生分数也保持或提升；论文同时说明增强编辑联合改变了来源访问、指令与迭代次数，其各自贡献尚未分离。

同一套阶段接口还用于构造研究任务与轨迹：以独立许可的综述文章或冻结的多来源简报为基础生成问题与任务专属评分标准，再记录教师执行中的候选与最终ResearchSpec、工具请求与观察、带引用章节、组装草稿与编辑决策。 论文把评分标准构造、可检索性检查与轨迹过滤描述为与评测资源相区别的训练数据流程，并强调构造证据与评分标准不提供给作答智能体。 论文给出文章路线的有界可检索性检查（Keep/Revise/Drop，全部保留标准为Keep时通过）、重复评分标准与答案泄漏等确定性检查，以及角色身份、工具调用闭合与中间产物有效性的轨迹过滤；这些数据用于LongCat通用模型的中期训练与后期训练。

该结果面向需要产出长篇、有证据支撑报告的研究型智能体开发者与评测者，适用于公开网页检索可用、任务可被拆成带层级ID章节的场景。ResearchSpec在规划阶段细化后于分节研究期间固定，研究者可在任务内继续调查；同一套接口还可用于构造研究问题、任务专属评分标准与轨迹，供LongCat通用模型的中期训练与后期训练使用。

论文自述点估计未建立统计显著性，评分覆盖范围在不同系统间不一致，Claude-DeepResearch的ResearchRubrics总分为外部报告的聚合值、缺少可核验的逐题评分。组件、规划细化与编辑研究使用此前已检视过的开发子集，部分子集按先前模型分数选取，检索窗口与实际计算量在各研究间不同，重复运行与重复评判的方差未被估计。增强编辑联合改变了来源访问、指令与迭代次数，其各自贡献尚未分离；案例研究只对最终报告评分，无法单独分离规划或编辑的增益。此外，论文指出报告可能冗长、密集或重复，可读性仍有改进空间，且研究与编辑都可能遗漏有用细节。