1. 核心目标

• 本章探讨 智能体（Agent）高级推理方法，重点在于：
  • 多步骤逻辑推理
  • 问题分解与逐步求解
  • 在推理过程中分配更多计算资源（时间/步骤）
• 目的：提升 准确性、连贯性、鲁棒性，尤其适合复杂任务。
  

2. 典型应用场景

• 复杂问答：多跳查询、跨来源信息整合
• 数学问题：逐步分解、代码执行验证
• 代码调试与生成：迭代改进、自我纠错
• 战略规划：多方案权衡、动态调整
• 医疗诊断：系统性分析、外部工具辅助
• 法律分析：逐步推理、逻辑一致性验证

3. 核心推理技术

思维链（Chain-of-Thought, CoT）

• 逐步推理，分解复杂问题 → 子问题
• 提升透明度、准确性，可调试
• 适合算术、常识推理、符号操作
• 方法：少样本示例、显式提示“逐步思考”
  

思维树（Tree-of-Thought, ToT）

• 在 CoT 基础上扩展 → 多分支探索
• 允许回溯、自我纠正、比较不同路径
• 适合战略规划与复杂决策
  

自我纠正（Self-Correction）

• Agent 内部批判性审查 → 识别错误、改进输出
• 迭代循环：起草 → 审查 → 修订
• 提升结果的可靠性与质量

程序辅助语言模型（PALMs）

• LLM + 符号推理（代码执行）
• 将复杂计算卸载到编程环境（如 Python）
• 结合自然语言理解与精确计算

可验证奖励强化学习（RLVR）

• 针对数学/代码等有标准答案的任务
• 通过试错学习生成长篇推理轨迹
• 发展出规划、监控、评估等高级技能

ReAct（Reason + Act）

• 将推理（CoT）与行动（工具调用）结合
• 循环：思考 → 行动 → 观察 → 思考…
• 动态调整计划，适合交互性强的任务
  

辩论链（CoD）

• 多个模型协作、互相批判 → 类似“AI 委员会”
• 提升准确性、减少偏见、增强透明度

辩论图（GoD）

• 非线性、多线程辩论网络
• 结论来自“最稳健的论点集群”
• 结合事实验证、模型共识

MASS（多智能体系统搜索）

• 自动化优化多智能体系统设计
• 三阶段优化：
  1. 块级提示词优化（单Agent角色优化）
  2. 工作流拓扑优化（Agent交互结构优化）
  3. 全局提示词优化（整体系统微调）
• 原则：高质量提示词 → 有影响力拓扑 → 全局优化

4. 推理扩展定律（Inference Scaling Law）

• 核心思想：性能随推理阶段的计算资源增加而提升
• 小模型 + 更多“思考时间” → 可超越大模型
• 关键平衡：
  • 模型大小
  • 响应延迟
  • 运营成本
• 方法：多候选生成、自一致性、迭代改进

5. Deep Research 应用

• 代表性平台：Perplexity、Gemini、ChatGPT 高级功能
• 特点：
  • 给 AI 一个“时间预算”
  • AI 自主执行多轮搜索、推理、综合
  • 输出结构化、全面的研究报告
• 流程：初始探索 → 推理改进 → 后续查询 → 最终综合

6. Agent 的思考循环

• 思考：分解问题、制定计划
• 行动：调用工具、执行任务
• 观察：接收反馈、修正计划
• 重复循环，直到完成任务

7. 关键要点总结

• 透明推理：多步骤计划 + 可审计性
• ReAct 框架：思考-行动-观察循环
• 推理扩展定律：性能依赖“思考时间”而非仅模型大小
• 协作推理：CoD、GoD → 多Agent协作减少偏见
• MASS 框架：自动化优化多Agent系统
• Deep Research：AI 作为自主研究助手

8. 结论

• AI 正在从“工具”进化为“自主Agent”
• 核心能力：
  • 内部独白（CoT）
  • 审议与自我纠正（ToT、自我纠正）
  • 行动能力（ReAct）
  • 协作推理（CoD、GoD）
• 未来方向：
  • 多Agent协作
  • 更透明、更可靠的自主系统
  • 平衡性能、成本与延迟的推理扩展