Agno 推理引擎与逐步思考

Agno 推理引擎与逐步思考

学习目标

本章将分析 Agno 的推理系统：

• reasoning=True 启用默认推理引擎
• reasoning_model / reasoning_agent 自定义推理模型
• reasoning_min_steps / reasoning_max_steps 控制思考深度
• 10+ 提供商的推理实现

前置知识

建议先阅读：

• Agent 核心循环设计 — Session/Turn 循环与推理集成点

下文假设你已理解上述概念，直接聚焦 Agno 的具体实现。

---

项目实践

三种推理模式

Agno 支持三种推理配置：

# 模式 1：启用默认推理引擎
agent = Agent(
    model=OpenAIResponses(id="gpt-4o"),
    reasoning=True,  # 使用默认推理引擎
)

# 模式 2：自定义推理模型
agent = Agent(
    model=OpenAIResponses(id="gpt-4o"),
    reasoning_model=OpenAIResponses(id="o3"),  # 使用专门的推理模型
)

# 模式 3：自定义推理 Agent
agent = Agent(
    model=OpenAIResponses(id="gpt-4o"),
    reasoning_agent=Agent(  # 完全自定义推理逻辑
        model=AnthropicClaude(id="claude-opus-4-8"),
        instructions="请逐步分析问题，考虑多种可能性。",
    ),
)

步数控制

agent = Agent(
    reasoning=True,
    reasoning_min_steps=1,   # 最少思考步数
    reasoning_max_steps=10,  # 最多思考步数
)

步数含义：

• min_steps=1：即使问题简单，也至少进行一步推理
• max_steps=10：防止无限思考循环

推理管线

推理在主管线步骤 8 执行（handle_reasoning），在模型调用之前：

推理结果作为额外的上下文注入系统提示，帮助主模型做出更好的决策。

提供商实现

Agno 的 reasoning/ 目录包含 10+ 提供商的推理实现：

提供商	文件	推理方式
OpenAI	openai.py	o 系列模型的 reasoning_content
Anthropic	anthropic.py	扩展思考（extended thinking）
Gemini	gemini.py	推理模式
DeepSeek	deepseek.py	DeepSeek-R1 推理
Groq	groq.py	推理模型
Ollama	ollama.py	本地推理模型
Azure AI Foundry	azure_ai_foundry.py	Azure 推理
Vertex AI	vertexai.py	Google 推理

推理与工具调用的交互

推理步骤在工具调用之前执行。这意味着：

• 推理结果可以帮助 Agent 更好地选择工具
• 推理不会在工具调用之间重复执行（只执行一次）
• 如果工具返回的结果需要进一步推理，由主循环决定是否需要新一轮推理

问题与规避

1. 推理步骤的额外延迟

每一步推理都需要一次 LLM 调用。max_steps=10 可能增加 10 倍的延迟。

规避：

• 对于简单任务，设置 reasoning_max_steps=1
• 使用更便宜的推理模型（如通过 reasoning_model 指定）
• 监控推理效果与延迟的权衡

2. 推理结果注入上下文导致膨胀

推理过程可能产生大量中间文本，占用上下文窗口。

规避：

• 推理引擎可以配置摘要模式（只保留最终推理结果）
• 结合上下文压缩（compress_tool_results=True）
• 使用支持更大上下文窗口的模型

3. 推理与结构化输出的冲突

如果 Agent 同时启用了推理和结构化输出（output_schema），推理结果可能影响结构化输出的格式。

规避：推理结果注入系统提示，不影响输出格式。但如果推理 Agent 的输出格式与期望不符，可能导致解析失败。确保推理 Agent 的指令包含格式要求。

设计取舍

为什么推理在工具调用之前？

优势：推理帮助 Agent 做出更好的工具选择决策，避免盲目调用 代价：如果工具返回的结果需要进一步推理，无法在工具调用后自动触发新一轮推理 替代方案：在每次工具调用后都进行推理——更全面但延迟更高

为什么默认 reasoning_min_steps=1？

优势：确保即使简单问题也有一定的思考深度 代价：对于显而易见的问题（如”1+1=?”），推理步骤可能是不必要的开销 替代方案：默认 0——让模型直接回答，不调用推理

参考来源

• Agno reasoning/ 源码