智能體式思考，AI大模型的旦用難回

OpenClaw（龍蝦）帶來的「颶風」還在繼續刮，而且看起來更是一場 AI 的范式轉移。

上周五舉辦的 2026 中關村論壇人工智能主題日上，月之暗面創始人楊植、智譜 AI CEO 張鵬、無問芯穹 CEO 夏立雪、小米 MiMo 大模型負責人羅福莉、香港大學 nanobot 負責人黃超教授，共同參與了一場聚焦「OpenClaw 與 AI 開源」的圓桌對話。

這里就不介紹對話詳情，只提一點就是：Harness 和 Skill 在影響 Agent 框架的方向，Agent 框架也在影響大模型的方向。說簡單點，他們都認為接下來大模型要更加適應 Agent 的進化方向。

事實上就在前一天，一度引起 AI 圈和阿里股價「震蕩」的前阿里千問技術負責人林俊旸，在離職后首次公開發布了一篇長文，全文分成六個部分，包括對 OpenAI o1、DeepSeek R1 推理范式的溯源，還有對 Qwen 路線的反思等。

但其中最重要的一部分，還是對「Agentic Thinking」（智能體式思考）的提出與判斷。不同于 DeepSeek R1 那種推理式思考，他認為智能體式思考必須能夠：

- 決定何時停止思考并采取行動
- 選擇調用哪個工具以及以什么順序
- 整合來自環境的嘈雜或部分觀察
- 在失敗后修訂計劃
- 在許多輪次和許多工具調用中保持連貫性

林俊旸原文第四部分，圖片來源：X

這么說，聽起來可能還是有點抽象，但如果你最近用過 OpenClaw 或者 Claude Code，可能已經隱約感受到這種變化。它們不再像傳統模型那樣，在封閉環境下進行純推理式的思考：

而更像一個真正干活的人，一邊思考，一邊結合各種工具和技能動起來，出錯了再思考，再嘗試，最終輸出回答或者執行結果。

對比之下，以 OpenAI o1、DeepSeek R1 為代表的推理模型，更多還是在「顱內推演」，最后直接輸出一個回答。不是說純推理式思考沒有價值，但更適用于數學等封閉世界的問題，而現實世界往往目標不明確、反饋不穩定，需要多步決策。

所以也能看到，幾乎沒有人會推薦在 OpenClaw 或者類似產品使用 DeepSeek R1，更多今年發布的新模型，也都在適應 OpenClaw。

智能體要干活，AI 不能埋頭思考答題

上周末，雷科技受邀在亞洲重量級當代藝術博覽會 Art Central 2026 體驗了一款頗具特色的視覺 AI 應用，可參看《帶著Chance AI勇闖藝術展：拍照即解讀，視覺AI真能看懂當代藝術？》。

簡單來說，Chance AI 更本質的核心是一個 Visual Agent（視覺智能體）。而我核心想說的，是實際體驗中 Chance AI 的「思考方式」。

不同于 DeepSeek 思考模式（R1）下純推理，基本依賴獲取到的文本信息繼續搜索，并在此基礎上進行推理。Chance AI 在識別圖片內容后，則會廣泛地通過搜索引擎、社交平臺搜索圖片、文本信息，甚至是位置信息（地點）。

更重要的是，Chance AI 作為智能體不是依靠一次推理，而會基于圖片、文本、地點等信息的反饋，反復調整、多次嘗試。

就拿我在 Art Central 2026 看到的一副作品來說，Chance AI 首先會識別圖片內容，再通過 Instagram 等社交媒體以及專業的藝術品平臺進行搜索，盡可能先找到「作品」。

然后才會繼續思考。不管沒找到，還是信息太少，都會使用不同工具查找藝術品、地點、圖片，進一步鎖定作品和作家等更多信息，再繼續思考需求，比如作家的風格和更多作品。

圖片來源：雷科技

這種 Agent loop（智能體循環）的工作方式，也在一定程度上決定了同一張啤酒桶的局部照片，能被 Chance AI 認出，豆包、Gemini 等主流 AI 大模型卻認不出。這當然不是在大模型層面超越了 AI 巨頭，核心還是將 Harness Engineering 的工程架構第一次帶到視覺領域。

將 Harness 和 Skill 機制發揚光大的 OpenClaw 更是同理。

盡管它的干活能力超出了無數人的預想，但 OpenClaw 之父 Steinberger 并沒有自主訓練大模型，在大模型之上打造了一個相對可靠的 Agent 框架，或者就像黃超教授說的「腳手架」「輕量級操作系統」。

這也是今年以來被頻繁討論的技術趨勢。

Harness 中文直譯為「馬具」，Harness Engineering 簡單理解就是「駕馭大模型」的工程，包括但不限于上下文工程、長記憶管理、工具調用等。而 Skill 可能更為大眾熟知，比如支付寶今天（3 月 31 日）剛剛推出的支付寶支付集成 Skill，就能讓智能體 AI 直接集成支付寶的支付能力。

圖片來源：支付寶

但在技術變化之下，更底層的變化則是林俊旸口中的「智能體式思考」。

事實上，智能體 AI 更離不開「思考」，但它的思考被嵌進了不同的操作和流程之中。這就是智能體式思考本質的變化：不是先完全想清楚再動手，而是在動手的過程中不斷修正自己的想法。

你會發現，OpenClaw 和過去的大模型，完全不是一種「工作方式」。它們不會一上來就給你結果（非推理模型），也不會搜集一輪信息后埋頭思考后答題（純推理模型），而是更多調用工具與進行交互，多輪搜索、驗證、決策和調整。所以在大模型不變的前提下，OpenClaw 這類智能體產品反而能夠更好地解決現實問題。

圖片來源：雷科技

又比如一個看似簡單的需求：修一個項目里的 bug。你并不知道問題在哪，也不知道改哪一行代碼，更不確定一次修改能不能解決問題。在這種情況下，單純拉長「推理鏈」并沒有太大意義。因為真正關鍵的不是「想得更全面」，而是不斷測試、調整思路。

正如羅福莉說的，「（OpenClaw）保證了下限，同時也拉升了上限。」

智能體式思考，旦用難回？

把時間撥回到 2024 年，大模型行業最明確的一條主線，其實就是讓模型更會「推理」。以 OpenAI o1、DeepSeek R1 為代表，這一代大模型開始系統性地拉長推理鏈，通過更長的思考鏈換取更高的正確率。

在數學、代碼等相對封閉的問題中，這種方法幾乎是立竿見影的，模型不再只是「猜答案」，而是開始「做題」。這也是為什么，當年大模型都在卷「推理」。

但 DeepSeek R1 這類純推理模型暗含了一個前提：問題都是可以被「思考」出來的。也就是說，信息是相對完整的，目標是明確的，路徑是可以通過推導得到的。

圖片來源：DeepSeek

可現實世界并不是一張問卷。當任務從「解一道題」變成「把一件事做完」，信息不再完整，目標也不總是清晰，過程更不是一次推導就能結束的。AI 需要不斷嘗試、修正路徑，甚至在過程中重新理解問題本身。

就算是寫報告這種「案頭工作」，現實世界中也需要多輪的信息搜集、思考推理、工具調用和評估決策。這也是為什么，當 OpenClaw、Claude Code 以及更多這類產品出現后，很多人第一次意識到「會推理」，和「能干活」，其實是兩種能力。

它們的關鍵變化，并不在模型本身，而在于引入了一整套圍繞執行過程的機制。

Harness 不負責思考本身，但決定了思考如何被組織。什么時候繼續推理，什么時候該去執行，失敗之后是回退還是換路徑。它把原本一次性的推理過程，拆成了一個可以反復運行的循環。Skill 則把各種能力變成了 AI 隨時能調用的模塊，明確的操作選項。模型需要做的，也不再是直接給出答案，而是選擇在什么時刻調用哪一種能力。

看起來只是流程上的變化，但帶來的結果卻是讓模型具備處理「不確定問題」的能力。所以同樣的大模型底座，放在不同的系統中，表現會有明顯差異。像 OpenClaw 或 Claude Code，在面對復雜任務時，并不是因為「更聰明」，而是因為它們可以不斷試錯、修正路徑、利用工具，直到把問題推進到一個可行的結果。

不過真正驅動這種變化的，核心還不是技術本身，而是需求。

比如調研小紅書，圖片來源：雷科技

當用戶第一次使用大模型時，期待的是一個能回答問題的工具。當推理能力提升之后，期待變成了「回答得更準確」。但到了今天，這種期待已經進一步轉變為「真正的代理」，直接作為「AI 同事」幫我們干活。

沒人會滿足于一個只會回答問題的 AI。寫代碼也好，查信息也好，處理任務也好，真正有價值的，從來不是「告訴我該怎么做」，而是「幫我做」。

在這樣的需求之下，大模型就不再只是一個推理機器，而必須成為一個可以參與執行的系統。也正因為如此，從推理式思考走向智能體式思考，甚至都談不上一次技術路線的選擇，而會是一種幾乎不可避免的遷移。