智能体思考、环境、可观测性，从林俊旸长文中学到的。

最近读到 Qwen 团队林俊旸（Junyang Lin）的一篇长文，从 o1、R1 讲到 agentic thinking，核心判断是：AI 正在经历一次范式转移，从"推理思考"走向"智能体思考"。受这篇文章启发，写下本篇心得。

推理思考：漂亮但封闭的独白

2024 年是推理模型的元年。OpenAI 的 o1 证明了"思考"可以成为一种专门训练的核心能力，DeepSeek 的 R1 证明了这条路可以被复现和规模化。

推理思考的核心范式是给模型更多的"思考时间"，让它在回答之前进行更长的内部推导。

数学、代码、逻辑这些有确定性答案的领域成了主战场，这些场景能提供足够强的奖励信号——"对就是对，错就是错"。

推理思考有一个本质局限：它是封闭的。

不管思维链多长，模型从头到尾都在自己脑子里转，不跟外部世界交互。

输入一道题，输出一段文字，整个过程是一条线性路径。这就像一个学生闭卷考试——可以想很久，但不能查资料、不能做实验、不能问同学。

林俊旸在文中坦承了 Qwen3 在混合思考模式上的失败。

试图让一个模型同时擅长"快速简洁地回答"和"深度思考地推理"，结果两种行为的数据分布冲突，合并后两边都平庸，最终不得不拆回独立版本。

这种坦诚在大厂技术领导的公开发言中很少见。

推理思考的天花板不在于"想得不够久"，而在于"只靠想"这件事本身有极限。

智能体思考：打开那扇通向真实世界的门

林俊旸在文中给出的判断是：下一步是智能体思考（agentic thinking）

为了行动而思考，

在与环境交互的过程中持续更新计划。

推理模型的行为空间其实很窄：

读题→想→写答案。

而Agent 的行为空间则是一棵不断分叉的树。

面对同一个任务，它在每一步都面临大量选择

• 是继续思考，还是去调用一个工具？

• 调哪个工具？传什么参数？

• 拿到结果后是深入追查，还是换一条路？

• 失败了是重试、改策略、还是绕过去？

如果任务是"查一下某个开源项目的安全漏洞"

推理模型只能基于训练时见过的知识，输出一段它"认为"可能存在的分析。

Agent 则可以搜索 CVE 数据库、

去 GitHub 翻 issue、

clone 代码跑扫描工具、

交叉验证多个来源。

Agent每一步都在和真实世界交互，每一步的结果都在改变下一步的决策。

智能体思考，

就是让模型通过行动来推理。

这里面最关键的五个能力是：

1. 决定何时停止思考并行动、

2. 选择调用哪个工具以什么顺序、

3. 整合来自环境的嘈杂或不完整的观察、

4. 在失败后修订计划、

5. 在多轮交互中保持连贯性。

这里每一条都不是靠"想得更久"能解决的！

环境本身成关键的研究产物。

在推理 RL 时代，环境只是一个"判卷器"。

出一道数学题，模型输出答案，环境判对错。

环境是静态的、简单的、可以被当作基础设施的背景板。

Agent 时代，情况完全不同了。

以前训练模型像培养学生做卷子，只需要出好题。

现在训练 Agent 像培养一个人在真实社会中工作，你得搭建一个逼真的实习环境。

这个环境的建设难度和重要性，不亚于培养学生本身。

Agent 需要在一个能交互、能反馈、能出错的世界里学习和工作。

你得给它搭建工具服务器、

代码执行沙箱、模拟浏览器、

搜索引擎、API 层、记忆系统……

这些东西加在一起，就是"环境"。

这个环境的质量，它有多稳定、多真实、覆盖多少场景、反馈信号有多丰富、能不能防止模型作弊～直接决定了训练出来的 Agent 有多强。

DeepSeek V3.2 的技术报告披露他们合成了 1827 个交互环境、85000+ 条复杂指令来训练 Agent。

造环境的能力本身成了核心竞争力。

可观测性：知道 Agent 做得好不好？

Agent 的行为空间那么大，决策链条那么长，如果你观测不到它在每一步做了什么、为什么失败、哪里在作弊，你就没法构造有效的奖励信号，训练就无法收敛。

可观测性（observability），它不是事后审计，而是闭环的核心组成部分。

我最近分析一些开源Agent系统源码时，发现它们的缺陷都在难于观测。根据黑箱理论，无法观测的系统，也是无法优化的系统。你控制系统的前提源于你的观测手段和能力。

环境 + 可观测 = Agent 演进的引擎，让模型的决策和决策带来的后果形成闭环。

缺了环境，Agent 无处行动；

缺了观测，行动的结果无法回流为改进的依据。

agent，就是环境，设计agent，就是设计环境。好的agent，就是提供好的可观测能力的环境。

---

原文链接：https://mp.weixin.qq.com/s/dHsFmLBCrEXNBwTGrqYBxw

来源：设计创新阅读思考