❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！
🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 尽在微信公众号 -> 搜一搜：蚝油菜花 🥦
⚙️ “LLM推理进入模块化时代！深度解读牛津大学Agentic Reasoning框架设计哲学”
大家好，我是蚝油菜花。今天要解剖一个可能改变AI推理范式的开源项目——
Agentic Reasoning 的三大设计原则：
- 1️⃣ 功能解耦：将工具调用拆分为独立代理（搜索/代码/Mind Map），主模型只做路径决策
- 2️⃣ 概率驱动：用联合概率模型评估推理路径，自动选择最优解而非暴力穷举
- 3️⃣ 知识流动：通过NLP流水线实现「检索-分析-组织-验证」的认知闭环
这个框架最精妙之处在于：它让LLM从『答题者』变成了『指挥官』 。在生物医药文献分析场景中，研究者用它自动调用PubMed搜索、数据可视化代码和知识图谱构建，原本3天的工作缩短到2小时。现在，让我们从架构图开始逐层剖析...
🚀 快速阅读
Agentic Reasoning 是一个增强 LLM 推理能力的框架，旨在解决复杂的多步骤推理问题。
- 核心功能：通过动态调用外部代理（如网络搜索、代码执行和结构化记忆），提升推理的效率和准确性。
- 技术原理：基于动态工具调用机制和迭代推理过程，结合概率生成模型优化推理路径。
Agentic Reasoning 是什么
Agentic Reasoning 是牛津大学推出的一个增强大型语言模型（LLM）推理能力的框架。它通过整合外部工具（如网络搜索、代码执行和结构化记忆），帮助 LLM 解决复杂的多步骤推理问题。Agentic Reasoning 的核心思想是让 LLM 在推理过程中动态调用外部代理，实时检索信息、执行计算分析和组织复杂逻辑关系。
该框架在博士级科学推理（如 GPQA 数据集）和领域特定的深度研究任务中表现出色，优于现有的检索增强生成（RAG）系统和封闭源 LLM。
Agentic Reasoning 的主要功能
- 增强多步骤推理能力：基于外部工具（如网络搜索、代码执行和结构化记忆），让 LLM 更高效地处理需要深度研究和多步骤逻辑推导的复杂问题。
- 实时信息检索与更新：用网络搜索代理实时获取最新信息，确保推理过程中知识的准确性和时效性。
- 复杂逻辑关系组织：基于 Mind Map 代理构建知识图谱，帮助 LLM 清晰地组织和跟踪推理过程中的逻辑关系，提升演绎推理能力。
- 计算分析支持：借助代码代理执行编程任务，为需要定量分析的问题提供精确的计算结果。
- 提升推理效率和准确性：基于任务分配和工具调用，减少主推理模型的负担，避免因处理辅助任务而中断推理链。
- 专家级知识合成：在深度研究任务中，生成高质量的分析报告，达到甚至超越人类专家的水平。
Agentic Reasoning 的技术原理
- 动态工具调用机制：在推理过程中，LLM 根据当前推理需求，实时决定是否调用外部工具（如网络搜索或代码执行）。当需要外部信息时，LLM 生成特定的查询请求并嵌入专用标记（如“搜索”或“代码”标记），暂停推理并将请求发送给相应的代理。
- 外部代理的协同工作：
- Mind Map 代理：将推理链转化为结构化的知识图谱，基于实体识别和语义关系提取，为推理提供逻辑支持。知识图谱能被查询，帮助 LLM 在推理过程中快速获取相关信息。
- 网络搜索代理：从互联网检索与推理上下文相关的文档，基于 LLM 提取关键信息，生成简洁的总结，确保信息的相关性和逻辑连贯性。
- 代码代理：接收 LLM 的代码请求，编写并执行代码，返回结果。避免 LLM 直接生成和执行代码的复杂性，提升推理效率。
- 迭代推理与知识更新：推理过程是迭代循环，LLM 根据外部代理返回的结果更新推理链，逐步完善逻辑推导，直到得出最终答案。
- 基于概率的生成模型：推理链和最终答案的生成基于联合概率模型，结合任务指令、查询、工具输出和知识图谱，动态生成连贯的推理过程和准确的答案。
- 推理优化与验证：基于工具调用频率等指标优化推理过程，选择最佳推理路径，提升推理的准确性和效率。
如何运行 Agentic Reasoning
1. 安装环境
首先，从 environment.yml 文件安装依赖环境：
conda env create -f environment.yml
2. 配置 API 密钥
如果使用远程 LLM 或进行深度研究，需配置相关 API 密钥：
export OPENAI_API_KEY="your openai api key"
export YDC_API_KEY="your you.com api key"
export JINA_API_KEY="your jina api key"
export BING_SUBSCRIPTION_KEY="your bing api key"
3. 运行脚本
运行 Agentic Reasoning 的命令如下：
python scripts/run_agentic_reason.py \
--use_jina True \
--jina_api_key "your jina api key" \
--bing_subscription_key "your bing api key" \
--remote_model "your remote model name, e.g. gpt-4o" \
--mind_map True \ (optional)
--deep_research True \ (optional, if you want to use deep research)
资源
❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！
🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 尽在微信公众号 -> 搜一搜：蚝油菜花 🥦
