Agentic Reasoning 综述资源库：让大模型真正"动起来"

你有没有想过，为什么 ChatGPT 能写诗、能编程，但在真实的办公室里却寸步难行？它能回答"北京的人口是多少"，却不知道该如何打开公司的内部系统、自动填写报销单、或者帮你在纷繁的邮件中找到那封关键合同——因为它从来没有行动过。

这正是 Agentic Reasoning（智能体推理）要解决的问题。weitianxin/Awesome-Agentic-Reasoning 是一个围绕"Agentic Reasoning for Large Language Models"（大语言模型的智能体推理）综述论文构建的精选资源库，收录了超过 300 篇相关论文，覆盖从规划推理、多工具调用到多智能体协作的完整技术图谱。

从"会说话"到"会办事"：为什么 Agentic Reasoning 突然火了

2025 年之后，LLM 领域出现了一个明显的技术转向：研究者们不再满足于让模型"Thinking"，而是要让模型"Acting"。这背后有三个关键驱动因素。

第一，测试时计算（Test-time Scaling）的瓶颈初现。 单纯靠增大模型参数和训练数据带来的提升正在边际递减，研究者开始探索在推理阶段通过更长思考链（Longer Chain-of-Thought）来提升效果，但这很快遇到了成本和效率的天花板。Agentic Reasoning 提供了另一条路——不是让模型想得更慢，而是让模型借助外部工具（搜索、代码执行、API 调用）来高效行动，以行动代替思考。

第二，Web Agent 和 Coding Agent 的商业化突破。 Devin、SWE-agent、Claude Computer Use 等产品的出现，证明了 LLM Agent 在真实工作场景中的可行性。GitHub Copilot 的编程辅助、Cursor 的 AI 代码生成，背后都有 Agent 框架的影子。这些应用场景反过来刺激了学术界对 Agentic Reasoning 基础理论的系统梳理需求。

第三，多智能体系统（Multi-Agent Systems）重新站上舞台。 传统多智能体系统过于依赖人工设计的规则和协议，而 LLM 赋能的 Agent 可以自主规划、相互协商、动态进化。这使得"一群 AI 协作解决问题"从概念走向了实验验证。

三层架构：Agentic Reasoning 的完整技术版图

该资源库将 Agentic Reasoning 组织为三个层次，每个层次对应不同的环境动态和推理范式：

图1：多智能体系统的记忆与演进机制

第一层：基础智能体推理（Foundational Agentic Reasoning）

这是 Agent 能力的基石，包含三大核心模块：

• 规划推理（Planning Reasoning）：让 Agent 能够将复杂任务分解为子任务序列，并动态调整执行计划。代表工作包括 ReWOO（解耦推理与观察）、Tree of Thoughts（思维树搜索）、Algorithm of Thoughts（算法化思维）等。
• 工具使用优化（Tool-Use Optimization）：让 Agent 学会选择和调用外部工具——不仅是搜索和计算器，还包括代码执行器、API 接口、文件系统等。HuggingGPT、Gorilla、CodeNav 等工作系统性地解决了工具选择、参数绑定、结果融合等问题。
• 智能体搜索（Agentic Search）：通过蒙特卡洛树搜索（MCTS）、A* 等算法，在复杂状态空间中找到最优行动路径。

第二层：自演进智能体推理（Self-Evolving Agentic Reasoning）

基础能力之上，Agent 需要通过与环境的持续交互来学习和适应：

• Agentic Feedback：Reflexion 等工作引入了语言反馈机制，让 Agent 通过"自我反思"（verbal reinforcement）来改进下一步行动，而不需要重新训练。
• Agentic Memory：Agent 需要维护短期上下文记忆和长期知识库，以支持跨会话的连续任务执行。
• 能力演进（Evolving Capabilities）：通过后训练（Post-training）技术——包括 RLHF、DPO、GRPO 等——让 Agent 在训练时优化行为策略。

图2：Agentic Reasoning 在科学研究、代码生成等领域的应用

第三层：集体多智能体推理（Collective Multi-Agent Reasoning）

单个 Agent 的能力有上限，多个 Agent 的协作可以突破这一瓶颈：

• 角色分工（Role Taxonomy）：不同 Agent 扮演不同的专业角色——规划者、执行者、验证者、批判者——形成类似人类团队的协作结构。
• 协作与分工（Collaboration and Division of Labor）：通过任务分解、结果汇总、交叉验证等方式，实现 1+1>2 的效果。
• 集体记忆与演进（Multi-Agent Memory）：多个 Agent 共享知识库，支持分布式学习和集体智慧涌现。

优化范式：In-Context vs Post-Training

除了三层架构，该综述还从优化设置的角度，区分了两条不同的 Agent 能力提升路径：

上下文内推理（In-Context Reasoning）：在测试时（test-time）通过精心设计的提示词、工作流编排和工具组合来提升 Agent 效果。优点是无需重新训练，缺点是对提示词质量高度敏感，泛化能力有限。

后训练推理（Post-Training Reasoning）：通过监督微调（SFT）、强化学习（RLHF/DPO/GRPO）等手段，在训练阶段优化 Agent 的行为策略。代表工作包括 Agent Q（结合 MCTS 和在线 RL）等。

两条路径并非互斥，实际上当前最优的 Agent 系统往往同时采用两种策略。

应用场景与Benchmark

该资源库详细梳理了 Agentic Reasoning 在多个领域的落地情况：

代码生成与编程辅助：SWE-agent、CodeNav、MARCO 等工作让 Agent 能够自主阅读代码库、理解需求、编写和调试代码。vibe coding（氛围编程）的兴起正是这一方向的产物——开发者用自然语言描述需求，Agent 负责生成代码并自动集成。

科学研究加速：Agent 能够自主设计实验方案、分析数据、撰写论文摘要，在化学、生物、物理等领域已有初步探索。

具身智能（Embodied Agents）：将 Agent 部署到机器人或虚拟环境中，使其能够感知环境、执行物理操作。典型工作包括 Inner Monologue（结合语言模型与机器人控制）、Do As I Can（语言引导的机器人操作）等。

医疗健康：医疗 Agent 需要具备专业知识（来自医学文献）、隐私保护（不能泄露患者数据）、以及不确定性处理能力（医学诊断的本质是概率推理）。

Benchmark 生态：资源库收录了多个评估 Agent 能力的标准测试集，包括 Web Agent 的 Mind2Web、编程 Agent 的 SWE-bench、医学 Agent 的 MultiMed 等。

资源库本身：不仅仅是论文列表

作为一份有"方法论支撑"的资源库，它不仅仅是一个 GitHub Awesome 列表，而是与一篇正式的 arXiv 综述论文（arXiv:2601.12538）绑定。资源库结构清晰：

• 目录结构：README 按主题分类组织论文，每篇论文都有年份和发表会议/期刊信息；
• 配套资源：提供了该综述的演讲幻灯片（Agentic Reasoning Survey Talk.pdf），方便快速理解核心观点；
• 图表丰富：提供了多张框架图（overview.png、evolve.png 等），直观展示了技术体系；
• 社区共建：开放 PR 和 Issue 提交，鼓励研究者补充新论文。

局限与开放问题

尽管 Agentic Reasoning 发展迅速，该领域仍有大量未解决的核心问题：

1. 推理效率与质量的权衡：更长的推理链通常意味着更好的结果，但也带来更高的延迟和成本。System-1.x 等工作尝试在"快速直觉"和"慢速深思"之间找到平衡，但目前尚无通用解决方案。

2. 多 Agent 的协调开销：多个 Agent 之间的通信、冲突解决和集体决策机制还不够成熟。当 Agent 数量增加时，系统复杂度呈指数增长。

3. 安全性与可靠性：Agent 在真实环境（特别是医疗、金融）中执行自主行动时，错误的后果可能是严重的。如何在开放域中保证 Agent 行为的可信度，是一个尚未完全解决的问题。

4. 评估体系不完善：现有的 Benchmark 往往针对特定任务设计，缺少能够跨领域评估 Agent 综合能力的通用标准。

行业趋势与未来展望

从这份资源库可以看出，Agentic Reasoning 正处于从"单点突破"到"系统整合"的阶段。过去一年的研究重心在于让单个 Agent 更好地使用工具、进行规划；而接下来的趋势，将是多 Agent 协作和长期自主学习——让 Agent 能够在真实任务中持续积累经验、自我改进，而不仅仅依赖预先训练的固定策略。

对于 AI 研究者，这份资源库是快速摸清 Agentic Reasoning 领域全貌的最佳起点；对于开发者，理解 Agentic Reasoning 的三层架构和两条优化路径，是在实际项目中选择技术方案的底层依据。

论文引用：Wei et al., "Agentic Reasoning for Large Language Models", arXiv:2601.12538, 2026