在想之前先想：把下一步做什么变成一道推理题
代理跑长任务的时候，每走一步都在做同一类决定：在哪一段已有成果上继续，要不要推倒重来，什么时候收手。这三件事看起来是工程细节，其实是推理。
目录
🎛️ 在想之前先想：把「下一步做什么」本身变成一道推理题
代理跑长任务的时候，每走一步都在做同一类决定：在哪一段已有成果上继续，要不要推倒重来，什么时候收手。这三件事看起来是工程细节，其实是推理。
论文《Thinking Before Thinking: Scaling Agentic Inference Through Meta-Reasoning》（arXiv:2609.38147，9 月 29 日提交）的主张是：把这三件事从「凭直觉调参数」变成一道显式的、结构化的推理过程。
作者十二位，Paras Dahal、Anton Bakhtin、Taco Cohen 到 Jason Weston、Anirudh Goyal，机构栏没在摘要页列出，从作者构成看是 Meta 的研究团队。
🧠 控制层与执行层分开
论文的架构分成两半。Workers 负责任务级的实际计算，也就是干活。Controller 负责四件事，摘要里的原话是 consolidates what the run has established（把这次运行已经确立的东西固化下来），随后 explores next options（探索下一步有哪些选项），接着 assesses what each option is worth under the remaining budget（在剩余预算下评估每个选项值多少），最后 dispatches the chosen work with context drawn from persistent memory（用持久记忆里的上下文派发选定的工作）。
有一条实现细节值得注意：两次决策之间，controller 只带一份精简的运行记录，而不是重放完整历史。这直接关系到成本，长任务里完整历史会线性膨胀。
controller 还维护一个 artifact graph。摘要说，对这个图的分析显示：更早的工作被复用得更多，多数设定下正确解的覆盖率更高，而在最终选择上增益并不均匀。
最后这句是论文难得的一句自我批评：artifact graph 在「最终选择」这一步的收益是不均匀的。
📈 数字：ProgramBench 上 71.5% 对 58.0%
ProgramBench 测的是长程代理能力，方式是程序重构（program reconstruction）。
| 底座模型 | Meta-Reasoning | 直接对照 |
|---|---|---|
| GPT-5.5 | 71.5% | Codex 58.0% |
| Opus 4.8 | 67.2% | Claude Code 65.5% |
另外三个基准覆盖抽象推理，多领域长程推理与证明生成，摘要给的是「在三个前沿模型上平均高出 3.6 到 4.2 个点」，对照基线是使用同样 workers 与同样算力预算的 Direct Control Agent（直接控制代理）。
对比之所以干净，就在这里：workers 相同，预算相同。差异只来自外面那层控制逻辑。
📉 低预算下它会输
摘要最后两句写得毫不含糊：「It keeps improving over the tested budget ranges where direct control plateaus, though its overhead can hurt at small budgets.」
中文报道把这条曲线写得更具体：增益随预算增长出现，测试区间是 400 到 1200 次调用，而直接控制在约 64% 处趋于平台。
代价的结构由此清楚：元推理多花的那部分调用，换来的是 controller 的思考时间。预算小的时候这笔账不划算，因为要控制的东西本来就不多；预算大的时候划算，因为要控制的部分已经多到值得单独优化。
再往下一层看结构。controller 的四项职责可以归成两问两答。
第一问是「我们已经知道什么」，第二问是「还能往哪走」。两个答案各配一个动作：算价值，派活儿。派完之后回到第一问，带回来的不是完整历史，是一份精简记录。这个闭环每转一圈花一次额外调用，这也正是低预算下会亏的原因。
🔁 这套方法可以照抄
这篇论文最实用的一点，是它不需要动模型权重。中文报道把它概括为「一份可以直接照抄的配方：在决定做什么上花 token，而不只在做事情上花」。它是一层 harness，装在任何能调用的 worker 外面。
而且它不是从零发明的。摘要提到基线覆盖「生产级编码代理与研究 harness」，另有一篇同作者群的关联论文 *Learning What to Investigate Next: Meta-Reasoning for Long-Horizon Research Agents*（arXiv:2610.02525，10 月 1 日提交）。两条线都在元推理这一层。
值得一并留意的，是它出现的时点。同一天前后还有几件事指向同一个方向：Agent Lightning v1.0（微软研究）用约 3,500 行普通 Kubernetes 代码训练部署时未改动的 harness，把 Qwen3.5-9B 的 SWE-bench Verified 从 41.8% 提到 56.4%，约用 6,000 个样本；DeepEval 的母公司 Confident AI 开源了 eval-skills，把「评估智能体」本身做成可复用的技能包。
三件事的共同点：都在给代理加外围结构，而不是加参数。
⚖️ 这份研究没说的部分
- 预印本，同行评审未完成。摘要页未标评审状态。
- 「400 到 1200 次调用」与「约 64% 平台」来自中文报道的转述，未在摘要页核对。
- 摘要里那三个「多领域长程推理与证明生成」基准未具名，3.6 到 4.2 个点的区间也没有逐基准拆开。
- GPT-5.5 组与 Opus 4.8 组对照强度不同（Codex vs Claude Code），摘要未说明原因，也未给同形态对照的完整结果。
- 「元推理」的成本代价只有一句定性描述，没有给出额外 token 数或额外耗时的定量表。
- Artifact graph 在最终选择上「增益不均匀」，具体哪些设定收益低，未说明。
- 作者机构未在摘要页列出。
📎 信源与限定
- 论文：Paras Dahal 等十二人，*Thinking Before Thinking: Scaling Agentic Inference Through Meta-Reasoning*，arXiv:2609.38147，2026-09-29 17:57 UTC 提交，298 KB，cs.AI。预印本，未同行评审。
- 全部数字（71.5% 对 58.0%、67.2% 对 65.5%、3.6 到 4.2 个点、预算 400 到 1200、约 64% 平台、四项 controller 职责、精简记录、artifact graph 三条发现）取自 arXiv 摘要页原文。
- 「400 到 1200 次调用」「约 64% 平台」与「三件事都在加外围结构」为 LinkedIn Daily Tech Newsletter 2026-10-10 与 bayesiansapien 2026-10-10 简报的转述，未回核论文正文图表。
- Agent Lightning v1.0 与 eval-skills 两项为同一简报的转述，未核到官方发布页。