Agenti di Ragionamento in Tempo Reale in Ambienti in Evoluzione

Real-Time Reasoning Agents in Evolving Environments

November 7, 2025

Autori: Yule Wen, Yixin Ye, Yanzhe Zhang, Diyi Yang, Hao Zhu

cs.AI

Abstract

Gli agenti nel mondo reale devono formulare giudizi non solo logici ma anche tempestivi. Ciò richiede una consapevolezza continua dell'ambiente dinamico: i pericoli emergono, le opportunità si presentano e altri agenti agiscono mentre il ragionamento dell'agente è ancora in corso. Nonostante i progressi nel ragionamento dei modelli linguistici, gli approcci esistenti non tengono conto di questa natura dinamica. Introduciamo il ragionamento in tempo reale come nuova formulazione problematica per agenti in ambienti evolutivi e costruiamo Real-Time Reasoning Gym per dimostrarlo. Studiamo due paradigmi per implementare modelli linguistici negli agenti: (1) agenti reattivi, che impiegano modelli linguistici con ragionamento computazionale limitato per risposte rapide, e (2) agenti pianificatori, che consentono un ragionamento computazionale esteso per problemi complessi. I nostri esperimenti mostrano che anche i modelli più all'avanguardia faticano a formulare giudizi logici e tempestivi in entrambi i paradigmi. Per affrontare questa limitazione, proponiamo AgileThinker, che coinvolge simultaneamente entrambi i paradigmi di ragionamento. AgileThinker supera costantemente gli agenti che utilizzano un solo paradigma di ragionamento all'aumentare della difficoltà del compito e della pressione temporale, bilanciando efficacemente profondità di ragionamento e latenza di risposta. Il nostro lavoro stabilisce il ragionamento in tempo reale come banco di prova cruciale per lo sviluppo di agenti pratici e fornisce una base per la ricerca su sistemi di IA con vincoli temporali, delineando un percorso verso agenti capaci di operare in tempo reale.

English

Agents in the real world must make not only logical but also timely judgments. This requires continuous awareness of the dynamic environment: hazards emerge, opportunities arise, and other agents act, while the agent's reasoning is still unfolding. Despite advances in language model reasoning, existing approaches fail to account for this dynamic nature. We introduce real-time reasoning as a new problem formulation for agents in evolving environments and build Real-Time Reasoning Gym to demonstrate it. We study two paradigms for deploying language models in agents: (1) reactive agents, which employ language models with bounded reasoning computation for rapid responses, and (2) planning agents, which allow extended reasoning computation for complex problems. Our experiments show that even state-of-the-art models struggle with making logical and timely judgments in either paradigm. To address this limitation, we propose AgileThinker, which simultaneously engages both reasoning paradigms. AgileThinker consistently outperforms agents engaging only one reasoning paradigm as the task difficulty and time pressure rise, effectively balancing reasoning depth and response latency. Our work establishes real-time reasoning as a critical testbed for developing practical agents and provides a foundation for research in temporally constrained AI systems, highlighting a path toward real-time capable agents.