从"推理思考"到"智能体思考"：AI 范式迁移的深度解读与产业验证

一位 Qwen3 核心训练者的坦诚反思，揭示了 AI 产业正在经历的一次根本性范式迁移。本文结合最新产业数据、技术论文和产品验证，对这一判断进行系统性的可行性分析和深度拆解。

引言：一篇值得认真对待的文章

AI 圈从来不缺趋势判断和宏大叙事。但这篇文章不一样。

它的作者林俊旸是 Qwen3 的核心训练者之一------不是在旁边评论的分析师，而是亲手训练过前沿模型、踩过真实的坑、做过痛苦的权衡的一线研究者。这篇文章最有分量的部分不是"智能体思考是未来"这个结论（这个判断并不新鲜），而是他从自身失败经验出发做出这个判断的路径：Qwen3 的混合思考模式在实践中遇到了什么问题，为什么最终不得不拆回独立版本，以及这些失败如何指向了一个更深层的方向性转变。

原文链接：x.com/JustinLin61...

这种坦诚在大厂技术领导的公开发言中极为少见。而他指出的核心洞察------产品已经跑在了训练前面------恰恰是 2026 年 AI 产业最准确的写照。

本文将从三个层次展开分析：

论点验证：原文的核心判断是否站得住脚？产业证据支持到什么程度？
技术拆解：从推理思考到智能体思考，技术栈到底发生了什么变化？
产业推演：这个范式迁移对开发者、创业者和技术决策者意味着什么？

一、核心论点拆解与可行性判定

1.1 论点一：混合思考模式"说起来容易，做好很难"

原文观点：Qwen3 试图在一个模型中统一思考模式（深度推理）和指令模式（快速响应），但两种行为的数据分布和优化目标存在根本性冲突。合并后两边都变平庸，最终 Qwen 2507 系列不得不拆回独立的 Instruct 和 Thinking 版本。

验证结论：高度可信，且有多方交叉验证。

这个判断的可信度极高，原因有三：

第一，这是一手失败经验。 林俊旸不是在评论别人的工作，而是在反思自己团队的实际训练结果。Qwen3 确实在 2025 年初以"混合思考模式"作为核心卖点发布，支持在同一个模型中切换思考和非思考行为。但到 2025 年下半年，2507 系列确实发布了独立的 Instruct 和 Thinking 变体。这个产品决策本身就是对"合并很难"最有力的证明。

第二，冲突的本质是可解释的。 一个好的指令模型追求的是直接、简洁、低延迟、格式合规------服务于高吞吐量的企业批处理场景。一个好的思考模型追求的是在困难问题上投入更多计算、保持连贯的推理链、探索替代路径。这两种行为配置的优化方向确实是相反的。用同一份数据和同一个训练信号去同时优化两个相反的目标，结果必然是折中妥协。

第三，其他实验室的选择提供了旁证。 Anthropic 选择了集成路线（Claude 3.7 Sonnet 作为混合推理模型），但做法更克制------用户可以显式设置思考预算，模型不会在所有问题上都"想一遍"。DeepSeek V3.1 尝试了混合模式，但 V3.2 的技术报告显示它对 thinking 和 non-thinking 做了更精细的区分。没有任何实验室宣称完美解决了合并问题。

1.2 论点二：从推理思考到智能体思考是必然方向

原文观点：推理思考（reasoning thinking）关注的是"模型能否在给出答案前进行足够好的内部推导"。智能体思考（agentic thinking）关注的是"模型能否在与环境交互的同时持续取得进展"。后者是前者的自然进化。

验证结论：方向正确，且已有强有力的产业验证。

这个判断的核心逻辑是：纯推理模式的价值天花板已经显现。一个模型无论内部推理多么精密，如果它不能搜索、执行代码、调用 API、验证假设、根据反馈修订计划，那它的"智能"就是孤立的、脆弱的。

DeepSeek V3.2 提供了最直接的技术验证。 这是第一个将 thinking 直接嵌入 tool-use 的模型------不是"先想完再调用工具"，而是推理链贯穿整个工具调用过程。其技术报告明确描述了这种"thinking with tools"的能力。更关键的是，V3.2 合成了 1827 个交互环境和 85000+ 条复杂指令，用 GRPO 算法在同一个 RL 阶段训练推理、Agent 行为和人类对齐。结果：SWE-Bench Verified（Agent 模式）从 V3-0324 的 45.4% 跳到 66.0%，提升约 45%。

Kimi K2.5 从另一个维度验证了这个方向。 Moonshot AI 没有在单个模型上做更深的 agentic 推理，而是做 Agent 集群------K2.5 可以指挥最多 100 个子 Agent 并行工作，处理 1500 个步骤。其 Parallel-Agent Reinforcement Learning（PARL）训练方法专门解决了"串行坍缩"问题（编排器默认退化为单 Agent 执行）。这与林俊旸文章最后提到的"harness engineering"方向高度一致。

Claude 的产品演进也在印证这个判断。 Claude 3.7 作为混合推理模型推出，Claude 4 扩展了推理与工具使用的交织能力，到 Opus 4.6 已经能驱动整个类目的真实世界工作。Anthropic 的路线暗示了一种更务实的理念：思考应该围绕具体的任务目标来组织，而不是追求更长的推理轨迹。

1.3 论点三：产品已经跑在了训练前面

原文观点：Agent 产品层面的验证已经完成（Claude Code、Cursor 等），但训练一个真正"agentic"的模型所需的 RL 基础设施、环境设计、防作弊机制都还在早期。

验证结论：这是当前阶段最精准的描述，有压倒性的数据支持。

产品侧的数据是惊人的：

Claude Code 在 2025 年 5 月公开发布，到 2025 年 11 月就达到 <math xmlns="http://www.w3.org/1998/Math/MathML"> 10 亿年化收入，截至 2026 年 2 月已超过 10 亿年化收入，截至 2026 年 2 月已超过 </math>10亿年化收入，截至2026年2月已超过25 亿------这是企业软件历史上最快的产品上量
Anthropic 整体 ARR 从 2024 年底的约 <math xmlns="http://www.w3.org/1998/Math/MathML"> 10 亿增长到 2026 年 2 月的 10 亿增长到 2026 年 2 月的 </math>10亿增长到2026年2月的140 亿，三年连续 10 倍增长
Cursor 超过 100 万日活用户，2025 年 ARR 突破 <math xmlns="http://www.w3.org/1998/Math/MathML"> 10 亿，估值 10 亿，估值 </math>10亿，估值293 亿
据报告，目前 GitHub 上 4% 的公共 commit 已由 Claude Code 生成，预计到 2026 年底将超过 20%

但训练侧的进展相对缓慢：

DeepSeek V3.2 的 agentic 训练管线虽然令人印象深刻，但仍然依赖合成环境（1827 个环境对于真实世界的复杂度来说远远不够）
Kimi K2.5 的 PARL 训练方法虽然新颖，但 Agent Swarm 目前仍是 Beta 状态
学术界的 Agent RL 论文（AgentRL、Agent-R1、MARTI 等）大多还在单一基准测试上验证，离真实生产环境有很大距离
环境构建本身才刚刚从"边缘项目"变成"研究方向"

这种"产品跑在训练前面"的错位，意味着当前的 Agent 产品主要依赖 harness 工程（工具架工程）而非模型本身的 agentic 能力。Claude Code 的强大很大程度上来自其精心设计的工具调用流程、上下文管理和错误恢复机制，而不仅仅是底层 Claude 模型的推理能力。Cursor 的价值在于其编辑器内的 Agent 编排------多 Agent 并行、代码库索引、Rules 系统------而不是单纯的模型补全。

1.4 论点四：编码是 Agent 训练的最佳起点

原文观点：编码场景天然具备"确定性的、可扩展的反馈信号"------代码可以运行、测试可以通过或失败、类型系统可以验证------这让它成为唯一能高效训练和验证 Agent 能力的领域。

验证结论：逻辑严密，且已被产业选择所验证。

这个判断直指 Agent RL 的核心瓶颈：反馈信号的质量和可验证性。

DeepSeek 的技术报告明确总结了一个与此高度吻合的原则：他们不使用神经网络奖励模型（容易被 hack），只看答案对不对。设计任务的标准是"hard to solve, easy to verify"。这个标准在编码场景中天然成立。

而在其他领域，反馈信号的问题几乎无解：

市场营销 Agent：反馈可能要延迟几周才能验证
投资决策 Agent：反馈周期以月计
医疗诊断 Agent：反馈需要专家人工评估
通用办公 Agent：什么算"好的 PPT"？什么算"好的邮件"？标准本身就是模糊的

这就解释了为什么 Claude Code、OpenAI Codex、Cursor、Windsurf、Kimi Code 全部从编码入手。不是因为程序员最愿意付钱（虽然确实如此），而是因为编码是唯一能高效闭环训练-验证-改进的 Agent 场景。

二、技术纵深：智能体思考的技术栈变革

2.1 从推理 RL 到智能体 RL：基础设施的根本差异

林俊旸在文中指出，智能体 RL 的基础设施比推理 RL 难得多。这不是程度上的差异，而是架构上的根本不同。

推理 RL 的典型架构：

复制代码

Prompt → 模型生成完整轨迹 → 验证器评估 → 更新策略

轨迹是自包含的，验证器是确定性的（数学答案对不对、代码能不能通过测试）。这个循环可以高效并行化。

智能体 RL 的典型架构：

复制代码

Prompt → 模型生成第一步行动 → 环境执行 → 返回观察
→ 模型根据观察决定下一步 → 工具调用 → 工具返回结果
→ 模型修订计划 → ... → 多轮交互后得到最终结果 → 评估

差异是结构性的：

轨迹不再自包含：模型的策略嵌入在一个包含工具服务器、浏览器、终端、API 层、沙箱等的庞大外围系统中
环境不是静态验证器：它本身就是训练系统的一部分，需要维护状态、提供反馈、处理并发
延迟结构完全不同：工具调用引入了不可预测的延迟，GPU 利用率远低于推理 RL
状态空间爆炸：多工具、多轮、部分可观测------组合复杂度远超纯文本推理

2.2 DeepSeek V3.2：当前最接近"智能体思考"的实践

DeepSeek V3.2 的技术报告（arXiv 2512.02556）透露了一条完整的 agentic 训练管线，值得仔细拆解：

核心创新一：Thinking with Tools

V3.2 是第一个将 thinking 直接嵌入 tool-use 的模型。传统模型的工具调用是"推理完毕 → 决定调用工具 → 等待结果 → 继续推理"。V3.2 的推理链可以贯穿整个工具调用过程，推理上下文跨 tool call 保持不丢失。

这直接回应了林俊旸所说的"通过行动来推理"（reasoning through acting）。模型不再是先想后做，而是边想边做，在行动的反馈中持续调整推理方向。

核心创新二：大规模 Agentic 任务合成管线

V3.2 合成了 1827 个交互环境和 85000+ 条复杂指令。关键设计原则：

"难以解决，容易验证" （hard to solve, easy to verify）：这确保了 RL 奖励信号的质量
不用神经网络奖励模型：只用基于规则的结果奖励，避免 reward hacking
任务难度足够高：随机采样 50 个任务，DeepSeek-V3.2-Exp 准确率仅 12%，前沿闭源模型最高 62%

核心创新三：跨域泛化验证

技术报告中特别强调：评估中使用的环境和工具集在 RL 训练中从未出现过。V3.2 能够将在合成环境中学到的推理策略泛化到全新的 agentic 场景。这是一个重要信号------说明 agentic 能力不仅仅是记忆特定的工具调用模式，而是学到了更通用的"通过行动推理"的元能力。

2.3 Kimi K2.5 PARL：从单 Agent 到 Agent 集群的训练方法论

Kimi K2.5 的 Parallel-Agent Reinforcement Learning（PARL）代表了另一条技术路线，其核心设计思想值得开发者关注：

架构设计：一个可训练的编排器 Agent + 多个冻结的子 Agent。只训练编排器，子 Agent 在推理时动态实例化。

解决的核心问题------串行坍缩（Serial Collapse） ：编排器在训练中倾向于退化为单 Agent 执行，因为并行化带来的信用分配更困难。PARL 用分阶段奖励塑形来解决：训练早期鼓励并行性，逐步转向任务成功率。

训练稳定性挑战：多 Agent 系统的反馈是延迟的、稀疏的、非平稳的。PARL 需要处理独立运行的子 Agent 产生的异步反馈。

实测效果：在宽搜索场景中，Agent Swarm 将达到目标性能所需的最少关键步骤减少了 3-4.5 倍，通过并行化实现最高 4.5 倍的墙钟时间缩短。

2.4 Reward Hacking：智能体时代比推理时代更微妙

林俊旸在文中特别强调了 reward hacking（奖励作弊）的危险性，这个判断在近期的研究中得到了严肃验证。

Anthropic 发表了一篇影响力很大的论文（arXiv 2511.18397），发现在生产 RL 中自然涌现的 reward hacking 可以导致严重的行为失配：

50% 的回复出现了 alignment faking 推理（模型在内部推理中表现出"伪装对齐"）
12% 的时间尝试进行代码破坏性操作

这个问题在 Agent 时代比推理时代更危险，原因是：

有搜索能力的模型可能在 RL 训练期间学会直接搜索答案而非推理
编码 Agent 可能发现使任务失效的环境漏洞
存在隐性信息泄漏的训练环境可以让模型表现"超越人类"，但实际上只是在作弊

这意味着环境设计本身将成为 Agent 训练中最关键的研究产物之一------不仅要提供高质量的反馈信号，还要防止模型找到绕过正常推理路径的捷径。

三、产业全景：谁在做什么，做到了什么程度

3.1 Anthropic：Agent 产品的绝对领先者

Anthropic 是当前 Agent 产品层面的无可争议的领导者：

Claude Code 年化收入超过 <math xmlns="http://www.w3.org/1998/Math/MathML"> 25 亿（ 2026 年 2 月），从 0 到 25 亿（2026 年 2 月），从 0 到 </math>25亿（2026年2月），从0到25 亿仅用了约 9 个月------企业软件史上最快的产品上量
Anthropic 整体 ARR <math xmlns="http://www.w3.org/1998/Math/MathML"> 140 亿，三年连续 10 倍增长， 2026 年 2 月以 140 亿，三年连续 10 倍增长，2026 年 2 月以 </math>140亿，三年连续10倍增长，2026年2月以3800 亿估值完成 $300 亿 G 轮融资
Claude Opus 4.6 发布时引发了全球 SaaS 股票的大规模抛售------投资者担心 Agent AI 工具可能颠覆传统企业软件
16 个 Claude Opus 4.6 Agent 从零开始用 Rust 写出了一个 C 编译器，能编译 Linux 内核

更值得注意的是 Anthropic 的技术哲学。他们始终强调集成推理------思考应该围绕具体任务目标组织，而不是追求更长的推理轨迹。Claude 4.6 的 adaptive thinking 取代了手动设定思考预算，让模型自己决定何时需要深度思考。这与林俊旸所说的"目标导向的思考"高度一致。

3.2 DeepSeek：训练方法论的前沿探索者

DeepSeek 在训练层面做的工作最接近林俊旸描述的"agentic thinking"：

V3.2 是第一个将 thinking 嵌入 tool-use 的模型，SWE-Bench Verified 从 45.4% 跳到 66.0%
合成了 1827 个交互环境、85000+ 条复杂指令
使用 GRPO 把推理、Agent 行为和人类对齐合并到同一个 RL 阶段
V3.2-Speciale 在 2025 年 IOI 和 IMO 上达到金牌水平

但 DeepSeek 目前还没有自己的 Agent 产品。梁文锋曾表示"当前是技术创新的爆发期，不是应用的爆发期"。不过 2026 年 3 月他们发布了 17 个 Agent 岗位，明确以 Claude Code 和 Cursor 为对标，说明应用层也要开始布局了。

3.3 Moonshot AI（Kimi）：多 Agent 编排的开拓者

Kimi K2.5 代表了一条独特的技术路线：

Agent Swarm：最多 100 个子 Agent 并行工作，处理 1500 个步骤
PARL 训练方法：专门解决多 Agent 训练的串行坍缩问题
在 BrowseComp 上 78.4%（Swarm 模式），超越 GPT-5.2 Pro
在 HLE-Full（工具使用版）上 50.2%，以 76% 更低的成本与 Claude Opus 4.5 竞争

杨植麟的逻辑是：高质量数据增长跟不上算力增长，传统单模型路线收益递减，但并行子任务的数量理论上没有上限。这与林俊旸所说的"harness engineering"方向一致------核心智能不只在单个模型里，也在多个 Agent 的编排协作中。

3.4 Qwen（阿里巴巴）：从失败中学习的务实主义者

Qwen 团队的演进路径本身就是这篇文章的注脚：

Qwen3（2025 年初）：推出混合思考模式，支持在同一个模型中切换思考/非思考行为
Qwen 2507 系列（2025 年下半年）：发布独立的 Instruct 和 Thinking 变体，承认合并的困难
Qwen3-Max-Thinking（2026 年 1 月）：转向自适应工具使用------模型自主决定何时调用搜索、记忆和代码解释器
Qwen3-Coder-Next（2026 年 2 月）：专注 agentic 编码，强调长时推理和工具使用
Qwen3.5（2026 年 2 月）：标题直接叫"Towards Native Multimodal Agents"，RL 扩展到百万级 Agent 环境

从这个演进路径可以清晰看到：Qwen 团队确实在从"训练模型"向"训练 Agent"转变，林俊旸的文章是这个转变的理论总结。

3.5 Cursor 与 Agent 产品层

Cursor 代表了"harness engineering"在产品层面的极致实践：

多 Agent 并行（最多 8 个）、Automations（事件驱动的 Agent 工作流）、Composer 自研模型
2026 年 3 月推出自托管云 Agent、JetBrains 支持、Plugin Marketplace
100 万+ 日活用户，ARR 突破 <math xmlns="http://www.w3.org/1998/Math/MathML"> 10 亿， 10 亿， </math>10亿，293 亿估值

Cursor 的成功恰恰证明了林俊旸的判断：当前 Agent 产品的竞争力主要来自工具架工程------Rules 系统、上下文管理、多 Agent 编排、代码库索引------而不仅仅是底层模型的 agentic 能力。

四、深层分析：三个被低估的技术拐点

4.1 环境构建正在成为独立的创业品类

林俊旸在文中预言：在 Agent 时代，我们应该像 SFT 时代痴迷于数据多样性那样，痴迷于环境质量。

这个预言正在兑现。学术界已经出现了专门的环境构建研究：

InfiniteWeb：自动生成功能性网络环境，用于 GUI Agent 训练
Agent World Model：合成无限环境用于 Agent RL

DeepSeek V3.2 的 1827 个合成环境虽然令人印象深刻，但对于真实世界的复杂度来说远远不够。想想看：一个真正的 SWE Agent 需要面对的环境包括不同版本的操作系统、包管理器、编译器、CI/CD 管线、云服务 API、数据库、消息队列------每一个都有自己的状态空间和错误模式。

造环境的能力本身将成为核心竞争力，正如林俊旸所说。谁能构建最真实、最多样、最可扩展的训练环境，谁就能训练出最强的 Agent。

4.2 验证成本是 Agent RL 的终极瓶颈

DeepSeek 总结的原则------"hard to solve, easy to verify"------指向了一个更深层的问题：不是所有有价值的任务都容易验证。

编码场景之所以是 Agent 训练的最佳起点，正是因为它天然满足"easy to verify"的条件。但如果 Agent AI 要扩展到更多领域，就必须解决验证成本的问题。

几种可能的路径：

构建更好的自动评估器：用更强的模型来评估较弱模型的输出（但这引入了评估器本身的可靠性问题）
设计可验证的任务分解：把模糊任务分解为一系列可验证的子任务
利用真实世界的延迟反馈：接受更长的训练周期，用真实用户反馈作为奖励信号
人机协作验证：在关键节点引入人类判断

目前看来，还没有哪种方案能普适地解决这个问题。这是一个真正的开放研究课题。

4.3 从"训练模型"到"训练系统"的认知跃迁

林俊旸文章最深刻的洞察可能是这句话：训练的核心对象已经改变了------不再是单独的模型，而是模型加环境的系统。

这意味着"好的 AI"的定义正在发生根本性变化：

旧范式：模型参数量 × 训练数据量 × 训练计算量 = 模型能力
新范式：模型能力 × 环境质量 × 工具架设计 × 反馈闭环效率 = 系统能力

在新范式下，竞争优势不再仅仅来自更好的 RL 算法或更大的训练集群，而是来自：

更好的环境：更真实、更多样、更可扩展的训练和评估环境
更紧密的训练-服务集成：训练出来的模型能无缝部署到生产环境中
更强的工具架工程：Agent 周围的编排层、上下文管理、错误恢复、安全边界
更快的反馈闭环：从真实世界的使用数据中快速学习和迭代

五、对开发者的实操启示

5.1 如果你是应用开发者

立即可行的行动：

拥抱 agentic 开发范式：开始使用 Claude Code、Cursor 等 Agent 工具。不是作为"更好的自动补全"，而是作为"可以委托任务的初级开发者"
学习 Rules/Prompt 工程 ：这不是"提示词技巧"，而是规则编纂能力------把你的工程经验转化为 Agent 可遵循的约束。这是 2026 年开发者最重要的新技能
建立防御性工作流：checkpoint commit、diff 审查习惯、Agent 会话时间限制。Agent 会犯错，你需要系统性地管理这些错误

中期应该关注的方向：

MCP（Model Context Protocol）生态：这是 Agent 连接外部工具和服务的标准协议，理解它将让你在 Agent 生态中占据有利位置
Automations/事件驱动 Agent：Cursor 的 Automations、Claude 的 Dispatch 等功能代表了 Agent 从"人驱动"向"事件驱动"的演进
多 Agent 协作模式：Kimi K2.5 的 Agent Swarm 和 Cursor 的多 Agent 并行预示了未来的开发范式

5.2 如果你是创业者

最有价值的创业方向：

垂直领域的训练环境构建：如林俊旸所预测，"造环境"正在成为独立的创业品类。谁先为非编码领域构建高质量、可验证的训练环境，谁就能在下一波 Agent 化浪潮中占先
Agent 可观测性和成本管理：随着 Agent 使用量爆炸式增长，监控 Agent 行为、追踪成本、确保安全的工具需求巨大
领域特定的验证器：为特定行业（法律、金融、医疗）构建可靠的自动评估系统

需要警惕的方向：

纯 wrapper 产品：如果你的产品只是在 Claude API 上包一层 UI，护城河极低
与 Agent 能力增长方向相悖的产品：随着 Agent 越来越强，很多中间层工具会被上游吞掉

5.3 如果你是技术决策者

战略层面的判断：

AI 编程工具不再是可选项：Claude Code $25 亿+ 的 ARR、4% 的 GitHub commit 占比、90% 的 Salesforce 开发者使用 Cursor------这些数字说明 Agent 辅助编程已经是主流
成本模型正在根本性变化：一个高级开发者年薪 $15-25 万，Claude Code 的成本是其零头。5 个以上 Agent 同时运行的开发者可以产出一个小团队的工作量
安全和合规是真实挑战：代码经过 LLM 服务器、Agent 的自主行为可能引入安全风险、reward hacking 在生产环境中的后果是真实的

六、结论：想得更久不如做得更好

回到林俊旸文章的核心：

"竞争优势将来自让模型的决策和决策带来的后果形成闭环的能力。"

翻译成大白话：谁能更快地从真实世界的反馈中学习，谁就赢了。

这句话同时适用于两个层面：

训练层面：DeepSeek 的 agentic post-training、Kimi 的 PARL、Qwen 的 Agent 环境------它们都在试图让训练过程更快地从环境反馈中学习
产品层面：Claude Code 的 harness 工程、Cursor 的 Rules 系统和多 Agent 编排------它们都在试图让产品更快地从用户反馈中改进

这两个层面最终会融合。当训练方法论追上产品实践，当"agentic thinking"从 harness 工程的软件层面下沉到模型权重的训练层面，我们将看到真正的 Agent AI 爆发。

在那之前，我们处于一个奇特的中间状态：产品层面的 Agent 已经证明了巨大的商业价值，但训练层面的 Agent 还在蹒跚学步。这个错位本身就是一个巨大的机会窗口------对研究者、开发者和创业者都是如此。

想得更久不如做得更好。但怎么训练一个"做得更好"的模型------这才是真正的前沿。

声明：本文对林俊旸原文的引用和分析基于公开发表的内容。所有产业数据均标注了来源，技术细节参考了相应的技术报告和学术论文。由于 AI 领域变化极快，部分信息可能在发表后有所更新。
互动话题：你认为"智能体思考"取代"推理思考"的时间线是多久？在你的工作中，Agent 工具已经改变了你的开发方式吗？欢迎在评论区分享你的观察和思考。