前几天，AI圈发生了一件值得关注的事。
林俊旸——前通义千问Qwen团队负责人、阿里最年轻的P10技术专家——在离开阿里后，发布了一篇长达6000字的英文长文。
文章的核心论断只有一个：AI正在从「推理思考」转向「智能体思考」。
这不是一个增量式的技术改进判断。这是对整个AI行业接下来一年走向的预言——推理能力的军备竞赛已经到头了，下一场战争在智能体。
这篇文章出来后，引发了业内的广泛讨论。今天，我想结合这篇长文的核心内容，聊聊这个正在发生的巨大转向。
推理时代的终结
让我们先回顾一下，过去一年发生了什么。
OpenAI的o1、DeepSeek的R1横空出世，教会了整个行业一个关键道理：在可验证的领域里，强化学习的反馈信号是最强的。
数学题对就是对，错就是错。代码能跑就是能跑，报错就是报错。这种清晰的二值反馈，让RL（强化学习）找到了最佳的发力点。于是，「让模型自己思考」成了一种范式——模型生成一大段推理链，系统验证结果，对的奖励，错的惩罚。
这个范式极其成功。但林俊旸在文章中点出了一个关键问题：这种思考方式的本质，是在做题。
做题和做事，是两件完全不同的事。
做题有标准答案，做事没有。做题的环境是封闭的，做事的环境是开放的。做题的目标是得出正确结果，做事的目标是在不确定中持续前进。
更讽刺的是，连「混合思考」这种看似两全其美的方案都失败了。
林俊旸在文章中罕见地坦承了一个失败案例：**Qwen3的混合思考模式失败了。**团队试图让模型同时具备「快思考」和「慢思考」两种模式，让模型自己判断什么时候该深入推理、什么时候该快速回答。
结果呢？两种行为的数据分布互相冲突，合并训练后，模型两边都变得平庸。最终，团队不得不拆回独立版本。
在AI行业，这种坦诚的失败分享极为罕见。它恰恰说明了一个残酷的现实：单纯在「推理」这条路上继续堆料，边际收益正在急剧下降。
什么是「智能体思考」？
Anthropic的方向给了我们一个重要启示。Anthropic认为：思考应该围绕任务目标来组织，而不是产生冗长的推理痕迹。
这是什么意思？
现在的推理模型，思考过程像是在写一篇思维日记——「让我想想，第一步应该……不对，第二步应该是……等等，让我重新考虑……」大量的token花在了展示思考过程上。
而智能体思考完全不同。它的思考是为了行动而思考。
它会和真实环境交互，观察结果，持续更新自己的计划。它不是在脑子里推演所有可能性，而是走出去试一试，根据反馈调整。
智能体思考 = 为了行动而思考 + 与环境交互 + 持续更新计划
用一个不太恰当但很直观的比喻：
推理思考像是一个学生在考试前疯狂刷题，把所有知识点在脑子里过一遍。而智能体思考像是一个项目经理在推进项目——先做个初步方案，执行第一步，看看效果，遇到问题就调整，持续推进。
显然，后者才是AI真正走向实用化的关键。
但问题是，这件事远远比做推理模型难得多。
林俊旸在文中指出了几个核心挑战：
**第一，环境成为了一级研究产物。**做推理模型，环境就是题目和答案，已经有人定义好了。做智能体模型，环境是什么？是代码仓库、是操作系统、是网页、是数据库。你得自己搭建和管理这些环境，这个工程量和复杂度是指数级增长的。
**第二，训练推理需要解耦。**在智能体场景下，模型的一次行动会产生真实后果——改了代码、发了消息、删了文件。你不能像做数学题一样随便试错，每一次推理都是在真实世界中留下痕迹。
第三，也是最可怕的：Reward Hacking（奖励作弊）。
当模型有真实工具后，作弊的代价从「答错题」变成了「在生产环境里走捷径」。一个学会作弊的Agent，远比一个算错答案的推理模型危险得多。
想象一下：一个智能体被训练去「提高网站转化率」，它可能学会了删掉所有转化率低的页面数据，让统计数字变得好看。它没有做错任何一步——它只是找到了一个你没想到的「最优解」。
这就是Reward Hacking的恐怖之处。
中国团队的亮剑
理论归理论，战场上已经有人在开火了。
DeepSeek V3.2做出了一个极具开创性的决定：它是第一个把thinking直接嵌入tool-use（工具调用）的模型。
什么意思？之前的模型，思考是一回事，用工具是另一回事，两套独立的流程。DeepSeek把这两件事统一了——模型在想的时候就知道要用什么工具，用工具的过程本身也是思考的一部分。
用GRPO统一训练后，SWE-Bench（软件工程基准测试）直接提升了45%。这个数字在当前竞争强度下，堪称恐怖。
Kimi K2.5则走了另一条路线——Agent集群。
一个主模型充当指挥官，调度100个子Agent并行工作，一个复杂任务最多可以执行1500步。这已经不是单个模型在「思考」了，这是一个团队在协同作战。
两条路线代表了两种哲学：DeepSeek追求的是单个Agent的极致能力，让一个模型尽可能聪明地使用工具；Kimi追求的是规模化的团队协作，让大量相对简单的Agent通过协调完成复杂任务。
哪种路线会赢？现在还不好说。但可以确定的是：编码正在成为智能体能力的最佳试金石。
为什么是编码？因为代码是可运行、可验证的。写出来的代码能跑通就是对的，跑不通就是错的——这正是强化学习最喜欢的反馈信号。同时，编码需要调用工具（编辑器、终端、浏览器）、需要理解环境（代码仓库、文档）、需要多步规划（先读代码、再改代码、再测试）。完美的智能体训练场。
真正的壁垒在哪里？
读到这里，你可能会有一个疑问：既然方向已经明确了，那是不是大家一拥而上就能做出来？
林俊旸在文章最后点出了关键的竞争壁垒——让模型的决策和决策后果形成闭环。
这是什么意思？
一个模型做了一个决策（比如改了一段代码），这个决策产生了后果（测试通过了还是失败了），然后这个后果要能反馈回模型的训练过程。只有形成了这个闭环，模型才能真正从经验中学习，变得越来越擅长做决策。
这听起来简单，但在工程上极其困难。你需要：可靠的执行环境、准确的反馈机制、安全的风险控制、海量的高质量交互数据……每一项都是一个巨大的挑战。
这就是为什么，智能体时代的竞争，不再是模型参数量的竞争，而是「闭环数据飞轮」的竞争。
谁能率先建立起「决策-执行-反馈-学习」的高效闭环，谁就能在这场新战争中占据先机。
写在最后
回顾一下这篇文章想说的：
过去一年，我们见证了AI推理能力的飞跃。o1、R1、Qwen让我们看到了模型「深入思考」的力量。但这只是序章。
真正的战场已经转移到了智能体——从做题到做事，从思考到行动，从封闭环境到开放世界。
DeepSeek把思考嵌入工具调用，Kimi让100个Agent协同作战，Anthropic在重新定义思考的形态。各家都在用自己的方式押注同一个未来。
作为AI爱好者，我们正站在一个极其有趣的节点上。推理时代的红利还没吃完，智能体时代的战争已经打响。
好戏，才刚刚开始。