TL;DR

在自动生成深度调研报告的赛道上，现有的 LLM 驱动系统通常遵循“大纲 -> 检索 -> 填充”的线性逻辑。然而，真实的专家写作是递归且非线性的。今天介绍的 CogGen 框架，通过模拟人类的认知写作过程，引入了全局重构机制与抽象视觉表示 (AVR)，实现了调研报告质量的质变，甚至在多模态协同度上超越了商用的 Gemini Deep Research。

背景：为什么 AI 写不好调研报告？

深度调研不仅是事实的堆砌，更是复杂的逻辑编排。现有方法的局限性在于：

1. 线性锁定 (Linear Lock-in)：一旦写到第五章，即使发现了能推翻第一章架构的新证据，模型也无法回过头去重构全局逻辑。
2. 图文脱节：图表往往是“后补”上去的附件，而非与叙事深度耦合的论据，导致读者在阅读时产生严重的视觉-语义断层。

核心架构：层次化递归 (Hierarchical Recursive Architecture)

CogGen 将调研过程拆解为两个核心认知环路：

1. 宏观认知环路 (Macro-Cognitive Loop)

这是系统的“指挥中心”。它包含 Planner (计划者)、Writer (撰写者) 和 Reviewer (评审者) 三个角色。不同于传统的一遍过流程，CogGen 支持逆向重构 (Backward Restructuring)。当 Reviewer 发现后续章节的内容可以优化全局逻辑时，它会触发 ∆ 信号反馈给 Planner，重新调整大纲。

2. 微观认知周期 (Micro-Cognitive Cycle)

在具体段落的撰写中，Writer 会进入“搜索-重编-撰写”的微循环。为了防止多个段落同时修改导致的“上下文振荡”，作者天才地设计了延迟更新策略 (Deferred Update Policy)：微观层只观察不修改，所有冲突交给宏观层的 Reviewer 统一裁决。

视觉意图的“降维打击”：Abstract Visual Representation (AVR)

CogGen 处理图文融合的思路非常巧妙。它并没有让 LLM 直接写复杂的 ECharts 或 Mermaid 代码，而是定义了一套类似语言的抽象视觉表示 (AVR)。

• 逻辑：Writer 只负责描述“我要一张对比 A 和 B 增长趋势的柱状图”，而不必关心像素颜色。
• 认知卸载 (Cognitive Offloading)：这极大地减轻了模型的负担，让其专注于逻辑推理。具体的“脏活累活”（渲染代码生成）交给专门的 Render Agent 处理。
• 效果：通过这种方式，系统可以在正式出图前，针对 AVR 进行数据校验。实验对比显示，AVR + 验证机制将图表幻觉率惊人地从 67% 降至 28%。

实验战绩与 SOTA 表现

作者提出了 CLEF (认知负荷评估框架)，从五个维度（组织、深度、相关性、对齐、协同）评估报告。

• Dataset I (OWID)：CogGen 在组织结构上接近人类专家水平，在内容深度上甚至由于提供了更广阔的因果背景而超越了人类。
• 对比 Gemini Deep Research：在 WildSeek 数据集上，CogGen 在多模态协同（Synergy）维度上取得了 80% 的胜率。

总结与洞察

CogGen 的成功不仅仅是由于更强的模型，而是源于对人类写作认知本质的深刻洞察：

• 递归是智能的体现：能够不断否定先前的假设并自我重构，是通往专家级 AI 的必经之路。
• 中间层的价值：AVR 机制提醒我们，在复杂多模态任务中，直接生成最终结果并非最优解，合理的中间抽象层能显著提升系统可靠性。

局限性：尽管效果惊人，但递归机制带来了约 20 分钟的生成延迟（主要耗时在网页全量读取与摘要）。未来的优化方向将是如何在保持保真度的条件下缩短推理时间。

关键词: CogGen, Deep Research, Multi-agent, Recursive Architecture, AVR, LLMs.