引言 — 作为成本杠杆的推理努力
用会思考的 LLM（thinking LLM）构建的智能体，靠长思维链（chain-of-thought）获得高精度，但代价是推理成本大幅增加。如今许多模型已经把推理级别开放为可设置的，比如 high、medium、low，而真正的问题在于：该如何拉动这根杠杆。
Ares 论文（2026 年 3 月的预印本）的观察很简单，却很有说服力：固定策略行不通。把所有步骤都以 low 运行，性能会明显下滑；而把级别随机混搭，则既守不住精度，也无法有意义地降低成本。更准确的图景是这样的——穿行于复杂网站结构的步骤需要很高的努力，但像打开目标 URL 这种简单步骤，用很低的努力就够了。也就是说，努力应当 以步骤为单位来分配，而不是以任务为单位。
为每一步挑选努力的路由器
Ares（Adaptive Reasoning Effort Selection）的核心，是一个 轻量级路由器。在每一步，它查看至此为止的交互历史，预测该步骤所需的 最低且合适的推理级别。要点在于用很低的代价提前判断“这一步难不难”，只有在难的时候才打开昂贵的思考。
路由器要怎么训练？论文用一条数据生成流水线，找出每一步成功所需的 最小推理努力，再用这些标签对路由器做微调。产出是一种不绑定特定模型的即插即用方案，被设计成插在既有 LLM 前端的形式。
从概念上勾勒，它的运作是这样的：
在每次调用 LLM 之前:
1. 把至此为止的交互历史交给路由器
2. 路由器预测这一步的最小推理级别 (high / medium / low)
3. 用预测出的级别调用主体模型
4. 把工具结果加入历史，进入下一步
关键在于，路由器比主体模型便宜得多，而且判断是以步骤为单位的。即便在同一个任务内部，努力也会随步骤起伏。
数字，以及如何解读这些数字
先从论文报告的数字说起。在三个基准上——面向工具使用智能体的 TAU-Bench、面向深度研究智能体的 BrowseComp-Plus、面向网页智能体的 WebArena——相比始终以 high 运行的固定策略，据称推理 token 最多削减了 52.7%。与此同时，论文报告任务成功率的下降甚微。
怎么读。有两点需要说清楚。第一，这是 作者报告的预印本数值，并未经过独立验证。 第二，“最多（up to）”是一个上限——它可能因基准而异，与其当作所有情形的平均，不如当作表现最好那一档条件下的数值来读，才更稳妥。但方向仍然是明确的：大多数智能体步骤，并不需要最大程度的思考。
诚实的权衡 — 路由器开销与思考不足
天下没有免费的午餐。这里诚实地写下这一方法的代价。
- 路由器本身就是成本。 路由器每一步都要运行，必须足够轻，轻到不会把省下来的部分吃掉。如果路由器调用比省下的思考 token 还贵，那就没有意义。
- 思考不足（under-thinking）的风险。 如果路由器把困难的步骤误判为简单、选了过低的级别，这一步就会失败。而在智能体中，一步的失败往往会毁掉整条轨迹或引发重试——付出的代价可能比省下的思考更高。所以在实务中，把路由器稍微向“多想一点”的一侧偏置的校正，通常更安全。
- 分布偏移（distribution shift）。 路由器是在特定的智能体、任务分布上训练的。原封不动地搬到另一领域的智能体上，判断就可能失准。每次搬迁都重新测量才是对的。
- 亲手测量精度与成本的曲线。 没有任何保证“最多 52.7%”能在你的工作负载上复现。你必须在自己的任务上同时测量成功率和 token，亲自确认这份节省是否值得那点精度损失。
结语 — 今天就能用的想法
Ares 之所以吸引人，不在于某个具体的路由器实现，而在于它的 原理：不要把推理努力均匀地施加到整个任务上，而应以步骤为单位、只按需分配。这个想法即便没有训练好的路由器权重，今天也能近似实现——比如根据步骤的类型（简单查询还是复杂规划）用启发式规则来定级别，或者只在失败时才提高努力的回退策略。
当然，这还只是一篇预印本，数值也是作者自报的。但“让每一步都以最大程度思考是一种浪费”这个命题，无论从直觉上还是从账单上看，都说得通。如果你在运营智能体，那就有充分的理由开始把推理努力当作一根可调的杠杆来看待。
参考资料
현재 단락 (1/22)
用会思考的 LLM（thinking LLM）构建的智能体，靠长思维链（chain-of-thought）获得高精度，但代价是推理成本大幅增加。如今许多模型已经把推理级别开放为可设置的，比如 `hig...