Агенты реального времени с возможностью логического вывода в динамически изменяющихся средах

Real-Time Reasoning Agents in Evolving Environments

November 7, 2025

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

cs.AI

Аннотация

Агенты в реальном мире должны принимать не только логичные, но и своевременные решения. Это требует постоянного осознания динамической среды: возникают угрозы, появляются возможности, другие агенты действуют, в то время как рассуждения самого агента ещё продолжаются. Несмотря на прогресс в области рассуждений языковых моделей, существующие подходы не учитывают эту динамическую природу. Мы представляем рассуждения в реальном времени как новую постановку задачи для агентов в изменяющихся средах и создаём Real-Time Reasoning Gym для её демонстрации. Мы исследуем две парадигмы применения языковых моделей в агентах: (1) реактивные агенты, которые используют языковые модели с ограниченными вычислительными ресурсами для рассуждений для быстрых ответов, и (2) планирующие агенты, которые допускают расширенные вычислительные ресурсы для рассуждений при решении сложных задач. Наши эксперименты показывают, что даже передовые модели испытывают трудности с принятием логичных и своевременных решений в любой из парадигм. Для преодоления этого ограничения мы предлагаем AgileThinker, который одновременно задействует обе парадигмы рассуждений. AgileThinker стабильно превосходит агентов, использующих только одну парадигму рассуждений, по мере роста сложности задачи и временного давления, эффективно балансируя между глубиной рассуждений и задержкой ответа. Наша работа устанавливает рассуждения в реальном времени как критически важный полигон для разработки практических агентов и закладывает основу для исследований в области систем ИИ с временными ограничениями, обозначая путь к созданию агентов, способных работать в реальном времени.

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.