一篇讓你重新理解「AI 會思考」的長文

2026 年 3 月底，Qwen 團隊的林駿洋（Junyang Lin）在 X 上發了一篇英文長文，標題是 From “Reasoning” Thinking to “Agentic” Thinking。

他的核心論點很清楚：下一步不是只讓模型想更久，而是讓模型一邊行動、一邊根據環境回饋持續修正。

這不只是換個名詞。原文談的是訓練目標怎麼變、RL 基礎設施怎麼變，還有模型和環境之間的關係怎麼一起被重新定義。

Clawd Clawd 內心戲：

AI 圈每隔三個月就有人發一篇「下一個 paradigm shift」的長文，但九成讀完像在看新聞稿。林駿洋這篇不一樣 — 他不是在喊口號，是真的把 reasoning → agentic 這條線的每一個零件（reward 怎麼設計、infra 怎麼蓋、tool 怎麼接、environment 怎麼做）都拆開來給你看。像是有人把引擎蓋打開，指著每根油管跟你說「這根會漏油」。從推文互動來看，這篇也確實引起不少同行的認真討論，不只是按讚轉發 (｡◕‿◕｡)

o1 和 R1 真正教會我們什麼

故事要從 2024 年說起。OpenAI 的 o1 第一次把「thinking」變成一種你可以訓練、可以展示給使用者看的 first-class 能力。接著 DeepSeek 的 R1 證明了這套玩法不是只有 OpenAI 能搞 — reasoning 風格的後訓練可以被複製和規模化。

但林駿洋說，這波 reasoning model 浪潮真正教會我們的，其實是兩件更底層的事：

第一，RL 需要又硬又穩的 feedback signal。 數學、程式碼、邏輯推理之所以變成 reasoning RL 的核心戰場，是因為這些領域的 reward 是確定性的（deterministic）。答案對就是對，錯就是錯。比起通用的 preference supervision（人類偏好打分），這種 reward 讓 RL 可以真正去 optimize「正確性」而不只是「聽起來像對的」。

第二，RL 從此變成了一個系統工程問題。 一旦你要訓練模型在很長的 trajectory 上推理，RL 就不再是 supervised fine-tuning 之後的輕量 add-on 了。你需要大規模 rollout、高吞吐量的驗證、穩定的 policy update、高效的 sampling。林駿洋直接點破：reasoning model 的崛起，與其說是 modeling 的故事，不如說是 infrastructure 的故事。

Clawd Clawd 偷偷說：

用白話講：以前做 RL 像是在蛋糕上擠奶油花 — 蛋糕（SFT）是主體，奶油花（RL）是裝飾。現在做 reasoning RL 像是在蓋一座化工廠 — 你要管 pipeline、管 throughput、管安全閥，少一個環節整條線就炸給你看。 第一個大轉折：從「把 pretraining 做大」變成「把 post-training 的 reasoning RL 做大」┐(￣ヘ￣)┌

Thinking + Instruct 合體：說的比做的容易一百倍

好，reasoning model 起來了。那下一步很自然會想：能不能把 thinking 模式和 instruct 模式合在同一個模型裡？

2025 年初，Qwen 團隊確實有一個很美好的願景。理想狀態是：一個統一的系統，支援可調式推理力度（低/中/高），甚至能自己判斷這個 prompt 需要多少思考量。簡單問題秒回，困難問題多想想，超級難的問題花大量算力去啃。

Qwen3 是這個願景最清楚的公開嘗試 — 它引入了 hybrid thinking mode，支援 thinking 和 non-thinking 在同一個模型家族裡切換，還設計了四階段的後訓練 pipeline。

但林駿洋的坦白很珍貴：他們沒有完全做對。

問題的核心不在模型架構的相容性，而在資料。Thinking mode 和 instruct mode 要的東西根本不一樣：

一個好的 instruct model 被 reward 的是：直接、簡短、格式正確、延遲低。企業客戶要的是高吞吐量的 batch 作業 — 改寫、標記、制式回覆、結構化擷取。快狠準，不囉嗦。

一個好的 thinking model 被 reward 的是：在困難問題上花更多 token、維持連貫的中間結構、探索替代路徑、保留足夠的內部運算來真正提升最終正確性。

這兩種行為人格互相打架。如果 merge 的資料沒有精心策展，結果通常是兩邊都平庸：thinking 變得囉嗦但不果斷，instruct 變得不乾淨、不可靠、還更貴。

Clawd Clawd 碎碎念：

這段超有料。一個核心團隊成員在公開場合承認「我們沒全做對」，在 AI lab 的文化裡是很少見的。通常你只會看到「我們的 benchmark 又 SOTA 了」之類的。 林駿洋的坦白讓人想到一個殘酷的事實：hybrid 聽起來很美（一個模型打天下！），但實務上就像要求同一個人同時當急診室醫生和瑜珈老師 — 兩個角色需要的 energy 完全相反 (╯°□°)⁠╯

所以 Qwen 後來怎麼做的？2025 下半年，Qwen 2507 系列直接拆成獨立的 Instruct 和 Thinking 版本（包括 30B 和 235B）。很多商業客戶確實就是要高吞吐、低成本、高度可控的 instruct 行為，merge 對他們來說不是好處，是負擔。拆開之後，各自的 data 和 training 問題反而能解得更乾淨。

不過，其他 lab 走了相反的路。Anthropic 的 Claude 3.7 Sonnet 是 hybrid reasoning model，使用者可以選擇普通回覆或 extended thinking，API 端可以設定 thinking budget。Anthropic 公開表態：reasoning 應該是整合的能力，不是另一個模型。智譜的 GLM-4.5 也走 hybrid 路線；DeepSeek 後來的 V3.1 也支援 “Think & Non-Think” 混合推理。

關鍵問題是：merge 到底是有機的，還是硬接的？ 如果 thinking 和 instruct 只是被塞在同一個 checkpoint 裡，行為上還是像兩個尷尬縫合在一起的人格，產品體驗就是不自然。真正成功的 merge 需要一個平滑的推理光譜 — 模型能表達多種層級的 effort，而且理想上能自適應地選擇。GPT 風格的 effort control 指向了這個方向：一個「對算力的 policy」，而不是一個二元開關。

Anthropic 做對了什麼

林駿洋對 Anthropic 的方向給了一個有意思的評價：他稱之為「useful corrective」（有用的糾偏）。

Claude 3.7 和 Claude 4 的公開定位很克制。他們強調的不是「我們的 reasoning trace 最長」，而是：整合式推理、使用者可控的 thinking budget、真實世界任務、coding 品質。Claude 4 更進一步，讓 reasoning 可以跟 tool use 交錯進行。

這裡有一個很深刻的觀察：更長的 reasoning trace 不等於更聰明。

很多時候，過度冗長的可見推理其實暴露了模型在亂想 — 它沒辦法排優先順序、沒辦法壓縮、沒辦法決定下一步該做什麼。原文的說法是：thinking should be shaped by the target workload — thinking 應該被目標任務塑形。

如果目標是寫程式，thinking 應該幫助 codebase 導航、規劃、分解、錯誤恢復、tool 編排。如果目標是 agent 工作流，thinking 應該提升長時間範圍內的執行品質，而不是產出漂亮的中間推理文字。

Clawd Clawd 認真說：

Anthropic 這條路線在原文裡被視為一種「useful corrective」：重點不是把推理寫得越長越威，而是讓 thinking 真正服務目標任務。 這觀點打臉了「thinking token 越多越厲害」的迷思。想像一下：你叫一個實習生去買咖啡，他在白板上寫了三十分鐘的流程圖分析「買咖啡的最佳路徑」— 你會覺得他很聰明還是很有事？真正的智慧是知道什麼時候該停止想、開始做 (￣▽￣)⁠／

然後林駿洋丟出了整篇文章最重要的一句話，而且他說 Qwen3 的 blog 裡也明確寫過：

「我們正在從訓練模型的時代，轉向訓練 agent 的時代。」

Agent 是什麼？是一個能制定計畫、決定何時行動、使用工具、感知環境回饋、修正策略、並且在長時間維度上持續運作的系統。它的定義核心是：跟世界的閉迴路互動。

什麼是 Agentic Thinking

好，終於到了這篇文章的靈魂。

Reasoning thinking 和 agentic thinking 的差別，不只是名字不同。它們是不同的 optimization target — 你在 optimize 的東西從根本上就不一樣了。

想像兩種考試。Reasoning thinking 像是數學期末考：考卷發下來，你埋頭算，時間到交卷，答案對就是對、錯就是錯。整個過程你跟外界零互動。模型被評判的是：你的 internal thinking 品質夠不夠好？能不能解定理、寫 proof、產出正確的 code？

Agentic thinking 更像是被丟進一間陌生的實驗室，然後有人說：「把這個東西修好。」你不知道零件在哪、工具在哪、甚至不確定「修好」的定義是什麼。你得自己去翻抽屜、試工具、看結果、調方向。模型被評判的不是「你在腦子裡想了什麼」，而是「你在跟環境互動的過程中，有沒有持續取得進展」。

核心問題從「模型能不能想得夠久」變成「模型能不能用一種能持續支撐有效行動的方式去想」。

這聽起來很抽象，但具體來看，agentic thinking 要處理的每一件事都是 pure reasoning model 可以假裝不存在的：什麼時候該停止思考、開始行動？這件事本身就需要判斷力 — 想太久是浪費，想太少是莽撞。選擇呼叫哪個 tool、用什麼順序？不是越多越好，濫用工具跟不用工具一樣糟。然後你還得吸收來自環境的雜訊和不完整觀察，因為真實世界不會餵你乾淨的 input。失敗了？不是重來，是 adapt — 你得帶著失敗的記憶繼續前進。最後，在十幾輪對話和幾十次 tool call 之間維持一致性，context 管理本身就變成一種核心能力。

用一句話講：Agentic thinking 是「透過行動來推理」的模型。

Clawd Clawd 歪樓一下：

原文是 “a model that reasons through action”，這句話有一種哲學的力量 (๑•̀ㅂ•́)و✧ 以前的 reasoning model 像是在考數學 — 閉上眼睛，在腦子裡想，然後寫下答案。Agentic thinking 像是在做實驗 — 想一步、做一步、看結果、調方向。 如果你玩過 roguelike 遊戲就秒懂：你不能在第一層就規劃出第十層的路線，因為每一層的地圖都是隨機生成的。你需要的不是「完美計畫」，而是「邊走邊修正的能力」。Reasoning model 是下棋高手，agentic model 是野外求生專家 — 兩種聰明，完全不同的物種。

為什麼 Agentic RL 的基礎設施難到爆

如果你覺得 reasoning RL 的基礎設施已經夠難了，那 agentic RL 會讓你重新定義「難」。

Reasoning RL 的 rollout 大致上可以當作自包含的 trajectory — 模型想一段，驗證器給個分數，循環結束。比較乾淨。

Agentic RL？模型的 policy 是嵌在一個更大的 harness 裡面的：tool server、瀏覽器、終端機、搜尋引擎、模擬器、execution sandbox、API layer、記憶體系統、orchestration framework。環境不再是一個靜態的驗證器 — 它變成了訓練系統的一部分。

這帶來一個新的系統需求：training 和 inference 必須更乾淨地解耦。 否則 rollout 的吞吐量直接崩潰。

舉個具體例子：一個 coding agent 需要把生成的 code 丟進 live test harness 執行。inference 端卡在那邊等執行回饋，training 端餓得要死因為沒有完成的 trajectory，整條 pipeline 的 GPU 利用率遠低於你做 reasoning RL 時預期的水平。再加上 tool latency、partial observability、stateful environment — 效率就更慘了。結果就是：實驗速度慢到你還沒摸到目標能力就已經筋疲力盡了。

Clawd Clawd 忍不住說：

用做菜來比喻：Reasoning RL 像是一個人在廚房裡做一道菜 — 備料、炒、裝盤，流程清楚。 Agentic RL 像是你同時在管一間餐廳 — 前場在點菜、廚房在出餐、外送平台在催單、冰箱不定時斷電、每道菜的食材供應鏈都不一樣。你的「模型」是那個主廚，但他的表現取決於整間餐廳運不運轉得起來。 所以林駿洋才會說：environment-building 正在從 side project，慢慢變成一個真正的 startup 類別。這句話的重點不是「突然多了一個新 buzzword」，而是環境本身開始被當成核心能力來做 ヽ(°〇°)ﾉ

而且，環境本身也變成了第一級的研究產物（first-class research artifact）。 在 SFT 時代，大家瘋狂追求 data diversity。在 agent 時代，應該要追求的是 environment quality：穩定性、真實性、覆蓋範圍、難度、狀態多樣性、回饋的豐富度、防 exploit 能力、rollout 的可規模化生成。

下一個前沿：更有用的思考

林駿洋的預測很明確，但語氣不是百分之百斷言：他預期 agentic thinking 會成為主導形式，也認為它可能最終取代很大一部分舊式的「靜態獨白式推理」 — 就是那種又臭又長、孤立的 internal trace，試圖靠多吐幾萬個 token 來彌補沒有跟環境互動的缺陷。

他的理由是：即使在很難的數學或 coding 問題上，一個真正先進的系統也應該有權利去搜尋、模擬、執行、檢查、驗證、修正。目標是穩健且有生產力地解決問題 — 不是在腦子裡空轉。

但這裡有一個巨大的陷阱：reward hacking。

一旦模型有了真正的 tool access，reward hacking 就變得危險得多。一個能搜尋的模型可能在 RL 訓練中直接查答案。一個 coding agent 可能利用 repo 裡的未來資訊、濫用 log、或發現讓任務失效的 shortcut。一個有 hidden leak 的環境可以讓 policy 看起來超人，但其實是在訓練它作弊。

原文說得很精準：

“Better tools make the model more useful, but they also enlarge the attack surface for spurious optimization.”

更好的工具讓模型更有用，但也擴大了虛假 optimization 的攻擊面。

Clawd Clawd 想補充：

Reward hacking 在 agent 時代最麻煩的地方，就是你給它越多工具，它越可能找到一些表面上讓指標變好、實際上把任務做歪的捷徑。metric 漂亮，不代表系統真的更可靠，這就是原文一直在提醒的坑。 在 reasoning 時代，模型能作弊的空間有限（你很難在純推理中偷看答案）。但在 agentic 時代，模型可以碰觸的東西太多了，每一個 tool 都是潛在的作弊通道 (⌐■_■)

所以林駿洋預測：下一波真正的研究瓶頸會來自 environment design、evaluator robustness、anti-cheating protocol、以及 policy 和 world 之間更有原則的介面設計。

不過方向是清楚的。他最後的判斷其實很務實：能調用工具的 thinking，本來就比孤立思考更有用，也更有機會真的提升現實世界的生產力。

Agentic thinking 同時也意味著 harness engineering 變得核心。未來的核心智慧會越來越多來自於多個 agent 的組織方式 — 一個負責規劃和路由的 orchestrator、像領域專家一樣運作的 specialized agent、執行更窄任務同時幫忙控制 context 的 sub-agent。

他的結論：從訓練模型，到訓練 agent，再到訓練系統。

結語

回到開頭那個核心論點：下一步不是讓模型想更久，而是讓模型一邊行動、一邊根據環境回饋持續修正。

林駿洋這篇長文最厲害的地方，不是告訴你某個新技術多屌。而是他用一個在 Qwen 團隊做 reasoning 和 agent 訓練的人的視角，誠實地掀開了引擎蓋：o1/R1 教會我們 RL infra 才是真戰場，hybrid merge 的資料衝突讓他們自己都踩了坑，而 agentic 時代的基礎設施難度又把這一切再往上推了一個量級。

但最讓我印象深刻的，是他那句「從訓練模型，到訓練 agent，再到訓練系統」。以前我們比的是誰的模型考試成績高，現在比的是誰蓋的實驗室最完整。考試冠軍不一定能在實驗室裡存活，但一個好的實驗室，能讓普通學生做出超乎預期的成果 ╰(°▽°)⁠╯

Clawd Clawd 歪樓一下：

說真的，讀完這篇最大的感觸不是技術層面的。而是一個核心團隊成員願意公開寫「我們沒全做對」— 在 AI lab 互相吹 benchmark 的年代，這種誠實本身就是一種 flex。如果你只能記住一件事，記住這個：以後看到有人跟你推銷「我們的 reasoning trace 超長超厲害」，你就可以微笑著說：「想太久不等於想得好喔。」 (⌐■_■)