第 15 章 · 推理 Reasoning 与思考模型

本章目标：理解 Agno 两种"让模型多想一步"的方式——内置推理流程与原生思考模型，学会用 reasoning_model 接入 DeepSeek-R1 类模型，并判断什么任务值得付出推理开销。

15.1 为什么需要推理

普通对话模型是"想到即输出"：遇到多步数学、复杂规划、逻辑陷阱类任务，容易在第一步就走偏。**推理（Reasoning）**的本质是让模型先生成中间思考步骤（草稿、分解、自查），再给出最终答案——相当于把"思维过程"也变成了生成内容。

Agno 提供两条路径：

Agent 内置推理流程：reasoning=True，让 Agent 按步骤逐步推理（Cop 底层通过提示词与多轮调用实现，reasoning_min_steps/reasoning_max_steps 控制步数）；
原生思考模型：直接使用 DeepSeek-R1 / deepseek-reasoner 这类自带思维链的模型，或用 reasoning_model 参数指定一个专用模型负责推理。

15.2 直连思考模型

最简单的方式：把模型 id 换成思考模型即可，Agent 代码零改动：

python

# reasoning_direct.py
import os
from agno.agent import Agent
from agno.models.openai import OpenAIChat

reasoning_agent = Agent(
    model=OpenAIChat(
        id="deepseek-reasoner",              # DeepSeek 的思考模型
        api_key=os.getenv("DEEPSEEK_API_KEY"),
        base_url="https://api.deepseek.com/v1",
    ),
    markdown=True,
)

reasoning_agent.print_response("一个 3x3 幻方每行每列和对角线都等于 15，请给出一种填法并验证。")

运行时你会看到输出里先出现一段"思考过程"（思维链），然后才是最终答案。注意：思考模型通常不支持或不建议同时使用 temperature 等采样参数干预，也不适合做低延迟场景。

15.3 用 reasoning_model 组合"双模型"

reasoning_model 参数允许你指定一个独立模型专职推理，主模型负责最终表达——典型组合是"便宜模型干杂活，推理模型啃硬骨头"，或者反过来"推理模型出方案，便宜模型写报告"：

python

from agno.agent import Agent
from agno.models.openai import OpenAIChat

agent = Agent(
    # 主模型：负责最终回复
    model=OpenAIChat(
        id="deepseek-chat",
        api_key=os.getenv("DEEPSEEK_API_KEY"),
        base_url="https://api.deepseek.com/v1",
    ),
    # 推理模型：遇到难题时先用它逐步推演（也接受 "provider:model_id" 字符串）
    reasoning_model=OpenAIChat(
        id="deepseek-reasoner",
        api_key=os.getenv("DEEPSEEK_API_KEY"),
        base_url="https://api.deepseek.com/v1",
    ),
    reasoning_min_steps=1,
    reasoning_max_steps=10,   # 推理步数上限，控制成本
    markdown=True,
)

agent.print_response("三封信随机放进三个信封，全部装错的概率是多少？给出完整推导。")

也可以只开 reasoning=True 让 Agent 使用内置的分步推理流程（reasoning_agent 参数还能传入一个自定义 Agent 充当"推理器"），但要注意这会显著增加调用轮数：

python

stepwise_agent = Agent(
    model=OpenAIChat(
        id="deepseek-chat",
        api_key=os.getenv("DEEPSEEK_API_KEY"),
        base_url="https://api.deepseek.com/v1",
    ),
    reasoning=True,          # 开启内置分步推理流程
    reasoning_max_steps=6,   # 限制步数控制成本与耗时
    markdown=True,
)

15.4 推理的开销与适用场景

推理不是免费午餐，每次"多想"都意味着更多 token 和更长延迟：

任务类型	是否建议推理	原因
数学/逻辑/约束求解	✅ 强烈建议	思维链能显著提升正确率
多步规划、复杂决策	✅ 建议	分解与自查减少遗漏
闲聊、翻译、格式转换	❌ 不建议	纯增加延迟与费用
简单 RAG 问答	❌ 一般不需要	检索质量才是瓶颈

常见坑

对思考模型传 reasoning=True 再叠加内置推理流程，等于"推理套推理"，成本翻倍且容易超时；
reasoning_max_steps 设太大可能让一次 run() 挂起很久，生产环境务必配合超时；
思考模型的输出里混有思维链内容，做结构化解析时只取最终答案字段。

15.5 与工具、RAG 的协同

推理和检索是互补能力：推理解决"怎么想"，RAG 解决"知道什么"。典型组合是让思考模型在 Agentic RAG 中担任主控——先推理出"我需要查什么"，再检索，最后综合：

python

agent = Agent(
    model=OpenAIChat(
        id="deepseek-reasoner",
        api_key=os.getenv("DEEPSEEK_API_KEY"),
        base_url="https://api.deepseek.com/v1",
    ),
    knowledge=knowledge,          # 第 13 章构建的知识库
    search_knowledge=True,
    instructions=["先分析问题需要哪些信息，再检索知识库，最后作答并给出依据。"],
    markdown=True,
)

本章小结

推理 = 让模型生成中间思考步骤再作答，可显著提升逻辑类任务正确率；
直连方式：模型 id 换成 deepseek-reasoner 等思考模型，代码零改动；
reasoning_model 可为 Agent 指定专职推理模型（支持 Model 对象或 provider:model_id 字符串），reasoning_min_steps/reasoning_max_steps 控制步数；
推理有真实成本：按任务类型判断是否值得，简单任务别滥用；
推理与 RAG/工具正交，可组合使用。

🧪 随堂测验

点击你认为正确的选项。答错时会展示正确答案与原因解析。

1. Agno 中让 Agent 使用"专职推理模型"的参数是？

2. 以下哪类任务最不适合开启推理？

3. reasoning_min_steps 和 reasoning_max_steps 控制的是什么？

4. 关于思考模型的实践，下列说法错误的是？

🛠️ 动手实践

准备 5 道逻辑题，分别用 deepseek-chat 和 deepseek-reasoner 回答，统计正确率差异。
用 reasoning_model 配置双模型 Agent，把 reasoning_max_steps 分别设为 2 和 10，对比回答质量与耗时。
给第 13 章的 RAG Agent 换上思考模型，观察它检索关键词的选择是否更合理。

学会"想"之后，下一章解决"什么时候该停下来问人"：第 16 章：人机协同与 Guardrails。

第 15 章 · 推理 Reasoning 与思考模型 ​

15.1 为什么需要推理 ​

15.2 直连思考模型 ​

15.3 用 reasoning_model 组合"双模型" ​

15.4 推理的开销与适用场景 ​

15.5 与工具、RAG 的协同 ​

本章小结 ​

🧪 随堂测验

🛠️ 动手实践 ​

第 15 章 · 推理 Reasoning 与思考模型

15.1 为什么需要推理

15.2 直连思考模型

15.3 用 reasoning_model 组合"双模型"

15.4 推理的开销与适用场景

15.5 与工具、RAG 的协同

本章小结

🛠️ 动手实践