继谷歌、OpenAI和Perplexity相继发布各自的Deep Research后，牛津大学发布了一个 “Agentic Reasoning: Reasoning LLMs with Tools for the Deep Research”的工作，并且代码开源了，今天咱们来详细看看他们的 deepresearch 的玩法~

这个框架，不仅在PhD级别的科学推理测试(GPQA)上超越了现有的RAG系统和闭源大模型， 而且在金融、医疗和法律等领域的深度研究任务中,击败了谷歌的Gemini Deep Research!

为什么能做到这一点?

普通的推理模型只能依赖自身知识，或者联网的上下文知识，进行长时间思考推理，最后做出回应。而推理模型的思考过程，如果能调用工具来辅助推理，那必须是事半功倍。

Agentic Reasoning来了，它模仿了人解决复杂问题的方式。 通过互联网收集信息、用计算工具进行定量分析、在白板上组织思路。

所以他们定制了3个核心智能体：

• Web搜索智能体：负责从互联网获取信息

• 代码智能体：使用Python进行计算分析

• "思维导图"记忆智能体：构建基于推理上下文的知识图谱 （trick，后面细说）

对复杂问题的工具调用推理过程，本身可以很好的跟推理大模型的思考过程融合到一起！

推理大模型进行正常的推理，根据任务需求自行实时决定是否需要其他信息。（生成相应的token即可，工具调用完成，可以把结果整合回推理链中）。

经过过长的思维链+外部知识（web，code），思维链可能会变得很混乱，所以这个框架引入了一个MindMap智能体。这个智能体可以将原始的推理链转换为一个结构化的知识图谱（这个工作直接把graphrag搬过来了，实体抽取->构建社区->抽象社区摘要）。

一些发现！

分工的重要性

让不同的LLM专注于各自擅长的任务(如DeepSeek-R1负责推理,Claude-Sonnet负责编程),能显著提升整体表现。

少即是多

仅使用少量智能体工具反而能获得最佳效果。增加更多工具反而会增加选择错误的风险。

工具使用与准确性

对单个问题而言,使用更多工具通常能带来更好的推理结果。但是如果跨问题都需要频繁调用工具,可能意味着初始推理轨迹存在缺陷。

项目开源地址：https://github.com/theworldofagents/Agentic-Reasoning

框架的表现，在几个领域大幅超越 Google DeepResearch效果。甚至超越了各个领域的人类专家。在一些需要20分钟以上的深度研究问题上，也表现优异。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】