## 摘要 本文解读 ACL 2025 长文《Agentic Reasoning: A Streamlined Framework for Enhancing LLM Reasoning with Agentic Tools》。该论文提出 **Agentic Reasoning**——一个把外部智能体当作工具接入推理链的极简框架通过融合 **Web-Search 检索**、**Code 计算**与 **Mind-Map 知识图谱记忆**让开源推理模型在知识密集型任务上逼近闭源的深度研究deep research系统其特别之处在于无需训练基座模型、仅靠工具编排即刷新多项 SOTA。实验表明 **Humanitys Last Exam 上把 DeepSeek-R1 从 9.4% 提升到 23.8%14.4 个百分点**GPQA 上以 81.2% 超越最强闭源模型 o3-mini-high 的 79.7%GAIA 平均 66.13 成为公开方法新纪录为 agentic reasoning 与 deep research 方向提供了重要借鉴。 **视频讲解**[点击观看 B 站视频](https://www.bilibili.com/video/BV1CpHd6nEsw) [TOC] ## 论文基本信息 | 项目 | 内容 | |---|---| | 标题英文 | Agentic Reasoning: A Streamlined Framework for Enhancing LLM Reasoning with Agentic Tools | | 标题中文 | 用智能体工具强化 LLM 推理的极简框架 | | 作者 | Junde Wu, Jiayuan Zhu, Yuyuan Liu, Min Xu, Yueming Jin | | 机构 | University of Oxford · National University of Singapore · Carnegie Mellon University · MBZUAI | | 会议 | ACL 2025Long Papers | | arXiv | [arXiv:2502.04644](https://arxiv.org/abs/2502.04644) | | 项目网站 | [ACL Anthology 2025.acl-long.1383](https://aclanthology.org/2025.acl-long.1383/) | ## 背景与动机为什么推理模型需要外接工具 OpenAI 的 o1、Qwen-QwQ 与 DeepSeek-R1 这类大推理模型large reasoning models靠大规模强化学习在长序列上展现了逐步推理能力。但正如 DeepSeek-R1 自己指出的**并非所有问题都受益于形式化推理**数学与代码这类结果容易验证的结构化域规则式结果奖励非常有效而社会科学、伦理与经验学科依赖抽象概念、常识、事实核查与复杂逻辑关系硬套数学式推理往往得到僵硬甚至错误的结论。 而对开放式问题给出深思熟虑的回答本就依赖外部工具用网络搜索收集信息、用计算工具做定量分析、用白板与思维导图组织思路。这引出一个关键问题**推理模型能否同样借助外部工具来增强推理攻克跨领域的知识密集型工作** 已有工作存在明显缺口。把搜索或检索增强生成RAG接入推理过程的尝试如 RAgent、Search-O1主要停留在**单智能体增强**忽略了多种工具之间的协同Gemini 与 OpenAI 的 Deep Research 效果亮眼但**闭源且方法未公开**开源模型与它们之间仍有可观差距。在 GAIA 基准上Langfun 平均仅 49.17、InspectReAct 57.58、h2oGPTe 65.12在 GPQA 上Search-O1 搭配 DeepSeek-R1 为 74.6、RAgent 为 72.9。本文要回答的正是开源方案如何用一套可复现的工具编排把这道差距补上。 ## 研究主线从问题到结论  **图 7Agentic Reasoning 研究主线——从结果难验证到工具编排即 SOTAMermaid 流程图** ## 基准/方法设计把智能体变成推理链上的工具 Agentic Reasoning 的核心设计是推理模型在推理过程中**动态决定何时调用外部智能体**。当需要时它把专用 token 嵌入推理序列web-search token、coding token 或 Mind-Map 调用 token并同时生成一条 query 作为发给外部智能体的消息。 检测到 token 后推理暂时暂停系统提取 query 与推理上下文并派发给对应智能体智能体结合 query 与上下文返回最相关结果结果重新注入推理链模型带着更新后的知识继续推理。这个**迭代的检索—推理循环**不断重复直到收敛出完整答案。  **图 1Agentic Reasoning 的整体工作流——给定问题推理 LLM 调用 Web-Search 检索外部信息、Coding 执行定量计算、Mind-Map 结构化记忆推理上下文三者共同支撑完整解答** ## 分类全景三个通用工具及各自的关键组件  **图 8Agentic Reasoning 的工具分类全景——Web-Search 四组件、Code 委派执行与 Mind-Map 图记忆Mermaid 分类图** ## 方法细节Mind-Map 与 Web-Search 是怎么设计的 **Mind-Map 图记忆**是本文的关键创新。它把原始推理链转换成结构化知识图谱用图构建 LLM 抽取实体并识别语义关系流程与 GraphRAG 类似。随后承担两个功能其一用 Louvain 社区聚类把推理上下文分成若干组并让 LLM 为每组生成简明摘要其二支持像Jason 的外曾祖父是谁这样的具体提问用标准图 RAG 检索返回相关信息。这使得 Mind-Map 既能为外部工具提供**上下文**让工具的回答更贴合当前推理状态也能在模型失去线索时充当**外部记忆**保证跨任务与多次工具调用的长推理链不丢关键信息。 **Web-Search 智能体**由四个组件构成查询拆解、搜索服务、重排服务与 RAG。推理模型给出 query 后智能体会结合从 Mind-Map 取回的推理上下文把原始 query 改写成一条或多条更适合搜索引擎的查询。例如原始 query 是检索外部经济指标上下文是我们在为美国某零售商寻找 2024 年 Q4 的最优投资策略智能体会拆出U.S. Q4 2024 inflation rate与U.S. Q4 2024 CCI这类具体查询随后顺序检索、用 Cohere Rerank 3.5 对前 20 篇网页重排并以 top-10 的平均相关度 $0.7$ 作为是否需要迭代精炼的阈值最多三轮。得分达标的网页进入 RAG 抽取洞见最后由 LLM 综合成连贯片段回灌推理链。 **Code 智能体**则有意不让推理模型直接写代码推理模型把相关上下文与 query 交给专用 coding LLM由后者编写代码、通过编译器执行并把结果以自然语言返回。这样推理模型可以专注于推理本身不被编码任务打断从而获得更长、更连贯的推理链。这种委派设计也让任务专精化成为可能——例如编码路由给 Claude-Sonnet而搜索结果摘要可以用轻量非推理模型完成。  **图 2复杂医疗决策个案——模型自主执行代码计算最优 $FiO_2$吸入氧浓度发起网页检索获取最准确的 PEEP呼气末正压数值再把两者综合成最佳治疗方案** ## 实验设计与结果 实验分为两条主线。**专家级问答**Humanitys Last ExamHLE跨学科专家级题目、GPQA博士级物理/化学/生物选择题、GAIA需要推理、网页浏览与工具使用配合的智能体基准。**深度研究**FreshWiki 长文生成用 ROUGE 与实体召回评测以及金融、医学、法律三个领域的 PhD 级专家提出的 56 道真实研究问题每题至少需要 20 分钟深度调研。人类评测方面团队邀请 7 名五年以上经验的狼人杀玩家与模型对战并由专家对生成文章按兴趣度、组织性、相关性与覆盖面做 1–5 分打分。 实现上默认以 DeepSeek-R1 为推理基座最大 32,768 tokens、温度 0.7、top_p 0.8、top_k 20Web-Search 侧查询拆解与 RAG 由 DeepSeek-V3 承担Bing 取前 20 篇Cohere Rerank 3.5 以 0.7 为阈值、最多迭代三次。主结果如下 | 方法GPQA | 物理 | 化学 | 生物 | 总均 | |---|---|---|---|---| | DeepSeek-R1 | 86.8 | 56.1 | 63.8 | 71.5 | | o3-mini-high† | – | – | – | 79.7 | | RAgent w/ R1 | 87.7 | 58.2 | 65.7 | 72.9 | | Search-O1 w/ R1 | 90.2 | 61.3 | 71.4 | 74.6 | | Ours w/ QwQ-32B | 88.1 | 58.3 | 79.6 | 69.7 | | **Ours w/ R1** | **94.5** | **73.7** | **80.5** | **81.2** | GAIA 上本文平均 66.13超越 h2oGPTe 的 65.12并在 Level 174.36 vs 74.29与 Level 269.21 vs 69.06上小幅超过 OpenAI Deep Research仅在 Level 3 上落后 2.26 个百分点。深度研究任务中ROUGE-1 达到 54.10明显高于 STORM 的 47.93人类评测里相关性 4.2、组织性 4.6也优于 Gemini Deep Research 的 2.3 与 2.5。 | GAIA | Level 1 | Level 2 | Level 3 | Avg. | |---|---|---|---|---| | Langfun | 58.06 | 51.57 | 24.49 | 49.17 | | InspectReAct | 67.92 | 59.30 | 30.77 | 57.58 | | h2oGPTe | 78.49 | 64.78 | 40.82 | 65.12 | | **Agentic Reasoning** | **74.36** | **69.21** | **45.46** | **66.13** | | OpenAI Deep Research† | 74.29 | 69.06 | 47.60 | 67.36 | 工具消融给出了最有意思的结论**工具质量远比数量重要**。团队用 Hugging Face 默认的 7 工具工具箱与 LangChain 的 109 工具配置做对照结果两者反而都比基座更差——工具越多误选风险越高很多能力翻译、代码解释本就内建于推理模型外接纯属冗余。三种工具还存在协同效应网络搜索Mind-Map、网络搜索Code 的增益都大于各自单独增益之和三者全上效果最佳。  **图 3工具消融——绿点为外部工具箱、红点为本文工具组合、蓝线为基座推理模型外部工具越多反而越差最优配置是 web search Mind-Map Code 三件套**  **图 4Mind-Map 对长链推理的增益——需要更多工具调用与更长推理链的问题本身更难、准确率更低引入结构化图记忆后显著回升** 记忆策略消融进一步印证了 Mind-Map 的价值在 GAIA 上从无记忆的 46.18、原始推理内容 47.84、Read-agent 49.83、MemoryBank 53.49、MemGPT 65.12一路单调升到 Mind-Map 的 66.13。另外智能体化工具调用相比直接 API 调用平均分从 47.18 提升到 66.13在 Level 3 上更是从 24.49 涨到 45.46——困难问题受益最大。 | 记忆策略 | Level 1 | Level 2 | Level 3 | Avg. | |---|---|---|---|---| | None Mem | 62.37 | 46.54 | 24.49 | 46.18 | | Raw Mem | 62.37 | 47.80 | 26.53 | 47.84 | | Read-agent | 64.28 | 51.57 | 27.70 | 49.83 | | MemoryBank | 68.41 | 55.18 | 32.65 | 53.49 | | MemGPT | 72.04 | 66.70 | 42.11 | 65.12 | | **Mind-Map (ours)** | **74.36** | **69.21** | **45.46** | **66.13** | 逻辑陷阱题展示了 Mind-Map 的另一面价值。经典改版谜题外科医生是男孩的父亲却说我不能给这个孩子做手术他是我儿子问医生是谁 DeepSeek-R1 思考 17 秒仍然答错GPT 与 Gemini 系列也常因语料中的政治正确污染而失败而 Mind-Map 显式构造逻辑结构后模型正确识别出医生是孩子的母亲。在狼人杀这类社交推理游戏中使用 Mind-Map 时模型对 7 名资深玩家的胜率达到 72%移除 Mind-Map 后跌到 36%。  **图 5一个误导多数 LLM 的逻辑陷阱题——Mind-Map 通过显式的逻辑结构让模型避开语料污染带来的错误直觉**  **图 6狼人杀对抗第一轮与第二轮Player8 为模型——结构化记忆把胜率从 36% 提升到 72%显著超过人类表现与统计期望** ## 结果对比总结  **图 9从基座到工具编排——GPQA 与 HLE 的跨越式提升路径Mermaid 对比图** ## 关键发现 - **HLE 提升 14.4 个百分点**DeepSeek-R1 从 9.4% 提升到 23.8%把开源与闭源 Deep Research 的差距收窄到 2.8%。 - **GPQA 达到 81.2%**超过最强闭源模型 o3-mini-high 的 79.7% 与 Search-O1 的 74.6%且换用 QwQ-32B 基座后同样稳定提升。 - **工具质量大于数量**7 工具与 109 工具的通用工具箱都让性能下降三件套组合稳定高于基座协同增益超过各自增益之和。 - **Mind-Map 单调领先**GAIA 平均 66.13 对比 MemGPT 65.12、MemoryBank 53.49、无记忆 46.18长链推理问题受益最大。 - **智能体化优于直接 API**GAIA 平均从 47.18 升到 66.13Level 3 从 24.49 升到 45.46。 - **深度研究与逻辑推理双赢**ROUGE-1 54.10 领先 STORM 47.93狼人杀胜率 72% vs 无 Mind-Map 的 36%。 ## 局限性 **计算开销与效率**串行调用 web search、Mind-Map 与代码执行显著增加计算成本与推理延迟虽然这些组件加深了推理但其顺序调用成为瓶颈限制了实时应用。作者建议用智能体优先级、缓存策略或自适应调用机制优化效率。 **依赖外部知识源**效果取决于检索到的知识质量系统缺乏内建的可信度校验容易受错误信息与偏见内容影响。可能的缓解方向是可信度感知的检索机制例如事实核查智能体或加权来源可靠性打分。 **可解释性与可信度**整体决策仍高度依赖 LLM存在幻觉风险可能让整个推理过程偏航在医疗 AI、法律推理等高风险场景中微小误差都可能造成严重后果。要保证可靠性需要额外的防护例如事实校验、置信度估计或人机协同监督。 ## 常见问题FAQ ### Agentic Reasoning 是什么一句话概括 它是一个不重训基座的极简框架把 Web-Search、Code 与 Mind-Map 三类外部智能体当作工具接入推理链让推理模型在需要时动态调用从而在知识密集型任务上逼近闭源的 deep research 系统。 ### 它与 RAG 或 Search-O1 这类方法有什么不同 RAgent、Search-O1 等主要做单智能体层面的搜索增强而 Agentic Reasoning 首次把网络搜索、代码执行与知识图谱记忆**三者系统整合**进同一个推理链并给出了经消融验证的最优搜索设计查询拆解 重排 Mind-Map 上下文。 ### Mind-Map 具体解决什么问题 长链推理中模型容易跑题、重复调用工具或重犯旧错。Mind-Map 用知识图谱存住推理上下文既能给外部工具提供上下文也能在模型迷路时被查询召回从而维持跨任务的连贯性。GAIA 上它以 66.13 领先 MemGPT 的 65.12。 ### 为什么工具不是越多越好 在 GPQA 上用 Hugging Face 的 7 工具与 LangChain 的 109 工具做对照两者都让性能低于基座工具越多越容易误选而翻译、代码解释等能力本就内建于推理模型外接反而冗余。 ### 需要多强的算力或重训吗 不需要重训基座。论文默认使用 DeepSeek-R1最大 32,768 tokens成本主要来自多个外部智能体的串行调用这也是作者列出的首要局限。 ### 论文的结论在哪些任务上得到验证 从专家级问答Humanitys Last Exam 23.8%、GPQA 81.2%、GAIA 66.13到深度研究FreshWiki ROUGE-1 54.10、56 道专家题的 1–5 分人类评测再到逻辑陷阱题与狼人杀这类社交推理任务覆盖了定量与人类主观评测两条线。 ## 参考链接 - 论文 arXiv 摘要页[arXiv:2502.04644](https://arxiv.org/abs/2502.04644) - ACL Anthology 正式版[2025.acl-long.1383](https://aclanthology.org/2025.acl-long.1383/) - GraphRAGMind-Map 的技术底座[arXiv:2404.16130](https://arxiv.org/abs/2404.16130) - Search-O1搜索增强推理的代表基线[arXiv:2501.05366](https://arxiv.org/abs/2501.05366) - STORM深度研究写作基线[arXiv:2402.14207](https://arxiv.org/abs/2402.14207) - Humanitys Last Exam 基准[arXiv:2501.14249](https://arxiv.org/abs/2501.14249) --- 给大家推荐一款自用写文献综述、无虚构文献的 AI **复旦大学 FudanNLP 团队自研 [切问学术](https://qiewenpaper.com/zh?utm_sourcebzkolutm_contentbaishi)** 官网[qiewenpaper.com](https://qiewenpaper.com/zh?utm_sourcebzkolutm_contentbaishi) 覆盖 **3.6 亿篇**可溯源真实中英文文献能自动整合文献观点生成规范综述 还能挖掘研究创新点、复现实验配合视频教学新手快速上手文献综述写作 --- **后记** 博客的关键词集中在编程、算法、机器人、人工智能、数学等等持续高质量输出中。 **讨论QQ群**[白拾的小屋](https://qun.qq.com/universal-share/share?ac1authKeySuzrb5NKb9KulvZxFC8EMFvcd6jgVp%2B%2BnTG8h351HWQorXVfvI1n5QwEX5dlJyThbusi_dataeyJncm91cENvZGUiOiI3NTAzNjU3MDAiLCJ0b2tlbiI6IlpFL2xLaGYxdXU4cWJPT2dJTkY3aExnWHNaQ1UrL3NJbWprenhLZitWUHVVNmhIR1M5SkZrS09SWmxKNlRreksiLCJ1aW4iOiIyMjc1OTYwNDg2In0%3DdatahgymRnqgtjQPGoBKhZ8cEyznp0CMLWfCbG4rfiWIADCArVXw50a7c-Q4MWU2Eq3dwOUjG19hamAWQQU4lY-cOQsvctype4tempidh5_group_info) (750365700) **⭐B站账号**[白拾的物理AI组会](https://space.bilibili.com/98639326)活跃于知识区和动画区 **✨GitHub主页**[YhbCode000](https://github.com/yhbcode000)工程文件