大语言模型易产生幻觉，检索增强生成（RAG）通过外部知识降低错误。但标准RAG流程线性、仅单次检索，难以应对多步推理、跨文档综合等复杂查询。Agentic RAG将模型变为自主推理引擎，形成“规划—执行—评估—循环”，具备查询路由、查询分解、自我反思与工具调用四种机制。简单查询宜用标准RAG，复杂高精度场景宜用Agentic RAG，也可混合使用。

Gemini 3.8 Flash是谷歌最智能的主力模型，在软件工程、智能体任务和复杂多步推理上较3.7 Flash显著提升，性能接近更昂贵的前沿模型。其核心设计是“更努力”：面对复杂任务时执行更多推理步骤并迭代调用工具，输出更准确。社区已用它制作卫星轨道模拟、日式海浪动画、3D恐龙骨架和自动变速器交互模型。

AI代理评估比单轮LLM更难，因多步推理与工具调用会累积错误。应分层评估推理、行动与执行结果，使用清晰可测任务和匹配的评分器（确定性、代码、模型、人工）。保持环境隔离、多次试验，关注pass@k与pass^k，并阅读对话记录。将评估自动化接入开发流程，结合监控形成持续反馈闭环。

中科院与清华大学等提出的SE-Agent框架突破了Claude-4的编程限制，提升了多步推理能力，成功率提高20.6%。该框架通过轨迹协同进化优化解决方案，刷新了开源框架的性能记录，展现出智能体自我改进的潜力。

阿里推出的WebDancer是一款具备多步推理和自主决策能力的信息检索智能体，凭借创新的数据合成和ReAct框架，在复杂信息检索任务中表现出色，展现出强大的泛化能力。未来将集成更多工具，扩展任务范围，推动智能体发展。

大模型在法律推理中的应用面临挑战，最新的LEXam基准数据集旨在评估其能力。研究表明，现有LLM在复杂法律问题，尤其是多步推理方面表现不佳。LEXam提供高质量法律考试题目，帮助深入理解LLM的能力缺陷，并引入“LLM-as-a-Judge”模式以提升评估的透明性和可靠性。

本研究提出了AdvKT框架，旨在解决知识追踪模型在多步推理中的错误累积和数据稀疏性问题。通过对抗学习和数据增强，显著提升了智能辅导系统的推荐模型性能。

本研究提出了一种双重逆向链推理框架（DRCR），用于隐性情感分析，解决了捕捉微妙情感的难题。该框架结合对比推理和多步推理，显著提高了情感分类的准确性，并在多个模型上实现了先进性能。

本研究提出了DocPuzzle基准，用于评估大型语言模型在长篇上下文中的推理能力。基准包含100个需要多步推理的专家级QA问题。评估结果表明，慢思维推理模型优于一般指令模型，而蒸馏推理模型与教师模型之间存在显著差距。

本研究提出了一种名为FastMCTS的新采样策略，旨在解决合成多步推理数据中的低效和不平衡问题。实验结果表明，FastMCTS生成的正确推理路径比拒绝采样方法增加超过30%，并提升了模型性能3.9%。

本研究提出了大记忆模型（LM2），通过引入辅助记忆模块，克服了标准Transformer在多步推理和长上下文整合方面的局限性。实验结果表明，该模型在多跳推理和大上下文问答中表现优异。