智東西（公眾號：zhidxcom）
作者 | ZeR0
編輯 | 漠影
智東西2月11日報道，今天，美團龍貓LongCat發(fā)布原生“深度研究”智能體了，還是發(fā)揮美團的傳統(tǒng)藝能，主打“AI+本地生活”。
這個“LongCat深度研究”新功能，目標是成為一個專業(yè)且更懂用戶的吃喝玩樂全攻略AI助手。
它能通過調(diào)用真實工具鏈，完成復雜的生活服務搜索與規(guī)劃任務，生成詳盡報告。
比如對比餐廳、做美食攻略、規(guī)劃路線、避坑預警，乃至制定一份超詳細的自駕游行程。
我體驗后最直接的感受，就生成報告速度快、對比直觀，而且比我自己拍腦袋想的周全多了。
一些我自己做計劃時可能忽略的細節(jié)，AI都能考慮到位。比如下面這張表，就是“LongCat深度研究”花幾分鐘生成的報告里自主涵蓋的。
這背后的底層優(yōu)勢，是美團在本地生活領域長期沉淀的數(shù)據(jù)與行業(yè)積累。
推薦的餐廳，參考美團真實的消費熱度和口碑；推薦的酒店，源自真實的入住評價；景區(qū)路線規(guī)劃，有真實票務數(shù)據(jù)、實時客流監(jiān)測和官方信息做支撐；連充電樁都直連美團接入的實時樁源。
所以，“LongCat深度研究”通過多源真實信息進行分析，生成的結果要更加靠譜。
檢驗也非常便利。報告底部的餐廳、酒店、景點鏈接都能點擊，點開就是對應的大眾點評頁面或參考攻略頁面，可以感受到整個設計完全是從用戶體驗出發(fā)。
每次研究都會告知大概需要的時長，我每次都只等了幾分鐘。
除了吃喝玩樂外，“LongCat深度研究”也可以用來做學習和工作相關的分析研究，既能分析互聯(lián)網(wǎng)大廠Agent產(chǎn)品，又能整理春節(jié)AI紅包和機器人登春晚戰(zhàn)況。
“LongCat深度研究”功能在LongCat網(wǎng)頁端已上線，目前一天能用10次。
Web端指路：longcat.ai/
LongCat App安卓版本已上線“探索本地生活”功能，iOS版本即將上線該功能。
同時，LongCat團隊披露了使其深度研究功能更靠譜、更好用、更專業(yè)的三大核心技術。其中在權威評測BrowseComp（加上下文管理）中，“LongCat深度研究”的性能已逼近頂級閉源模型。
我體驗了挑選餐廳、旅游規(guī)劃、自駕攻略、嚴肅研究等幾種不同日常需求，供參考：
一、挑選餐廳：核心訴求拉表分析，關鍵信息劃重點
跟多數(shù)深度功能一樣，“LongCat深度研究”在收到指令后，不會立即開始執(zhí)行任務，而是先通過幾個問題，再次確認用戶需求，然后才開始推理。
我提出的要求是：
過年留在北京，想要和父母吃一頓清淡又豐盛的跨年晚飯，幫我精選幾家餐廳并詳細對比
好吃為主，優(yōu)先海淀，性價比高，飲食偏好健康，傾向于交通便利、對菜品的好評度高
它會一次性生成文件和網(wǎng)頁形式的兩份報告。
兩種形式均可下載。文件版暫時只支持下載Markdown格式，下載Word和PDF格式還未開放。
網(wǎng)頁形式的交互頁面非常直觀好用，右側可以在目錄導航上點選感興趣的內(nèi)容，而且有大量直觀清晰的表格。
在給我生成的報告中，內(nèi)容既有一目了然的6家推薦餐廳省流版總結，又有對不同菜系多家餐廳地理位置、環(huán)境特色、人均消費、環(huán)境特色、營業(yè)時間、推薦菜品的劃重點，并且貼心地附上預訂指南和注意事項。
每一章節(jié)都放上了推薦餐廳橫向對比總結：
各類菜系分析完后，還有個整體的推薦餐廳對比：
它還準備了停車建議和交通特別提示，并提供了預訂策略和對長輩健康飲食的建議。
最后一頁又是一份直觀的快速決策指南。
做出這么一份完整的報告，總共只花了幾分鐘，效率驚人。
報告最后有攻略參考列表，每一條都能點開跳轉到對應的大眾點評頁面。
不過隨后出現(xiàn)了一個bug。當我在同一個對話框提出新的要求時，“LongCat深度研究”受前面的上下文影響，規(guī)劃出現(xiàn)了混亂。
我讓它生成一家老少春節(jié)去東北玩的旅游行程規(guī)劃，結果它生成的報告主題還是《北京海淀區(qū)跨年晚餐餐廳精選》。
重新打開一個對話窗口，問題就解決了。
好的地方是，新報告做的更加細致和豐富，餐廳關鍵信息的呈現(xiàn)更突出。
還有單獨的性價比分析、適老性評估、停車建議對比。
二、旅游規(guī)劃：行程時間線清晰，還有消費避坑指南
我打開了一個新的對話窗口，提出旅游規(guī)劃要求：
一家老少計劃過年去東北玩一周，預算3萬，飛機和或策劃都考慮，想要住對老人小孩都方便的酒店，想要把東北特色景點或者風土人情都體驗了
成人4位，包括2位老人，小孩2個，春節(jié)期間出發(fā)，只要是當?shù)靥厣几信d趣，就是普通老人和小孩的需求和身體狀況
生成的報告也像模像樣，有種白嫖專業(yè)旅游公司的既視感。
和挑選餐廳一樣，報告上來就先給省流版建議，包括目的地、核心景點、推薦活動、特色美食、交通方式和最佳季節(jié)。
接著就是針對旅行策略、預算分析、穿衣建議、行程規(guī)劃、住宿交通解決方案、特色美食地圖的詳細分析，還有貼心的消費避坑指南與應急預案。
不僅有一張完整形成規(guī)劃圖：
還細化到每天的行程規(guī)劃：
經(jīng)搜官網(wǎng)核查，冰雪大世界的門票價是對的。
酒店推薦、美食地圖也非常清晰地標出價位。
從穿衣建議、電子設備防寒、消費避坑提醒到應急預案信息，都考慮得很周全。
三、自駕攻略：周密考慮天氣和加油站分布，連怎么做決策都手把手教
針對自駕場景，我提出的要求是：
下周一和朋友自駕游去北京郊區(qū)自然景點游玩，幫我規(guī)劃三天的游玩路線，景點要各有各的特色，每條路線上要有加油站、餐廳、超市，每日往返開車時間不超過3小時
北京郊區(qū)，住宿地點兩種方案都考慮，只要是自然景點都行，要有方便停車的地方
報告上來先總結了三天天氣預報，不過把日期搞錯了，下周一是2月16日，它寫成了2月17日。
同樣先給出一個路線總覽，然后再詳細規(guī)劃每日行程，包括核心景點的各類門票費用和建議時長、自駕路況和預計通勤時長、美食推薦，有的行程還提供多種方案選擇。
連如何做選擇，都手把手教學。
最后還給出多條路線的沿途加油站分布及建議，并附上車輛準備、旅行裝備的清單。
四、嚴肅研究：專業(yè)分析信息豐富，聯(lián)網(wǎng)搜索時效性強
我還讓“LongCat深度研究”研究現(xiàn)有互聯(lián)網(wǎng)大廠Agent產(chǎn)品/功能及營銷方式的共性與區(qū)別，分析這些打法預計帶來的收益、成本等影響，要求越全面越好。
它生成的報告覆蓋戰(zhàn)略布局、營銷戰(zhàn)局、商業(yè)影響、未來展望等章節(jié)。
報告挑了美團、字節(jié)跳動、阿里巴巴、騰訊、百度、快手做對比，并毫不客氣地把美團放在最前面。
營銷戰(zhàn)局分析中，數(shù)據(jù)很新，涵蓋了近期的春節(jié)紅包大戰(zhàn)。
不過在后面分析商業(yè)影響和影響展望時，就完全放在宏觀行業(yè)層面，沒有聚焦這幾家互聯(lián)網(wǎng)大廠去做分析。
五、吃喝玩樂攻略靠譜性，超過其它主流AI產(chǎn)品
LongCat組織了來自全國數(shù)十個城市的眾多用戶參與吃喝玩樂攻略的橫向盲測。
題目覆蓋從國內(nèi)外熱門旅游城市到四五線城市，讓各地用戶對熟悉的城市攻略進行評價，以獲得真實判斷。
調(diào)查結果顯示，在衡量攻略有用性的“保存分享率”指標中，LongCat占比達到31.1%，位居第一，超過ChatGPT的16.7%。
在判斷攻略可用程度的“整體可用率”指標中，LongCat占比更是高達61.1%，高于ChatGPT（42.8%）等其他主流AI產(chǎn)品。
六、怎么做到的？背后三大核心技術揭秘
“LongCat深度研究”背后有三大核心成果的支撐：
（1）智能體搜索能力卓越：在權威評測BrowseComp（加上下文管理）中達到73.1分，性能已逼近頂級閉源模型，具備行業(yè)領先的復雜任務決策與推理能力。
（2）超長程、高并發(fā)任務處理能力：支持最多400輪交互與256K上下文，能持續(xù)理解并拆解極端復雜的個性化需求與長文檔研究。
（3）多智能體專業(yè)化分工閉環(huán)：實現(xiàn)從“信息收集（Search Agent）→ 研究分析（Report Agent）→ 可視化呈現(xiàn)（Render Agent）”的全程自動化工作流，交付即用型專業(yè)報告。
1、真實場景+科學訓練，讓AI更懂生活
（1）真實原生的本地生活訓練環(huán)境：依托美團在本地生活領域的原生能力，搭建了一套覆蓋POI搜索、地圖路線規(guī)劃、評論/筆記檢索的真實工具集，讓Agent在與真實環(huán)境的交互中完成訓練。
這一方式確保了訓推環(huán)境的一致性，使Agent在訓練階段即可感知真實場景的復雜性與多變性，從而有效提升其在線上處理實際任務時的表現(xiàn)。
（2）基于Rubrics的高質量數(shù)據(jù)合成：由專家依據(jù)美團本地生活真實業(yè)務數(shù)據(jù)提煉餐廳推薦、旅行規(guī)劃等場景及需求點，整合為系統(tǒng)的Rubrics（評價準則）體系，再通過LLM生成具體Rubrics組合，反向合成高質量Query與Trajectory，最終以Rubrics-as-Reward篩選Trajectory用于SFT與強化訓練。
這一方式將美團本地生活經(jīng)驗注入模型訓練，更好地對齊用戶偏好，讓Agent更懂用戶。
2、智能生成+自適應渲染，交付清晰好用的專業(yè)報告
（1）“全局規(guī)劃-遞歸生成”的長文構建機制：采用multi-stage漸進式生成架構，先基于全網(wǎng)搜索摘要生成全局“報告大綱”，確保邏輯框架的嚴密性；隨后通過“遞歸生成”（Recursive Generation）策略，將當前章節(jié)大綱、相關搜索文檔與前序章節(jié)上下文聯(lián)合輸入，逐章撰寫。
這一機制有效解決了長文本生成中的邏輯斷層與上下文遺忘問題，既保證了報告的全局連貫性和低幻覺率，又實現(xiàn)了針對特定子話題的深度信息挖掘。
（2）端到端自適應網(wǎng)頁渲染：摒棄傳統(tǒng)的模板填充模式，采用端到端生成技術直接輸出渲染結果。Render Agent能夠理解報告內(nèi)容的語義結構，動態(tài)決定最佳的視覺呈現(xiàn)形式（如自動生成對比表格，決策流程圖或數(shù)據(jù)可視化圖表），讓本地生活信息的呈現(xiàn)從“靜態(tài)文本”進化為“可視化界面”，大幅提升了用戶獲取探店、旅行規(guī)劃等生活決策信息的效率與體驗。
3、多維校驗+跨域融合，確保精準可信的解析與規(guī)劃能力
（1）Rubrics-as-Reward的多維價值對齊：在數(shù)據(jù)清洗與強化學習階段，引入Rubrics-as-Reward機制，建立了包含引用準確率、信息召回率、報告深度、指令遵循度及可讀性在內(nèi)的多維評分體系，對訓練數(shù)據(jù)進行極高標準的清洗與篩選。
這一機制解決了AI搜索產(chǎn)品常見的“幻覺”問題，特別強調(diào)引用準確率，確保每一條本地生活建議（如營業(yè)時間、價格、地址）都有據(jù)可查。
（2）跨域知識融合的合版訓練策略 ：采用混合訓練策略，將Report與Render的垂直領域數(shù)據(jù)，與通用語料、數(shù)學、代碼等數(shù)據(jù)進行聯(lián)合訓練，利用代碼和數(shù)學數(shù)據(jù)的嚴謹邏輯特征，反向增強生活類報告生成的條理性與任務規(guī)劃能力。
通過“通專結合”，該策略將理工科的強大邏輯推理能力注入到生活決策場景中，使Agent能像分析師一樣 “拆解復雜需求”。
結語：專業(yè)的AI深度研究功能，正逐漸走入尋常百姓家
多家互聯(lián)網(wǎng)大廠正在探索結合自身優(yōu)勢的Agent產(chǎn)品。今天上線的“LongCat深度研究”功能，聚焦于如何讓AI真正理解并解決現(xiàn)實世界的問題，發(fā)揮出美團在生活場景中的專長。
隨著越來越多貼近生活、準確度高的Agent應用上線，AI深度研究的能力將普惠到更多人群，讓工作效率更高，也讓生活更加便利和美好。
