Agent 长程推理与工具调用

核心问题：CoT 是工具调用吗？模型如何选择何时推理、推理多久、何时重新规划？Codex、GLM、Qwen 的模型能力与 Harness 接口有何区别？

优先阅读

• CoT 是工具调用吗？Codex / GLM-5.3-Flash / Qwen3.8-27B 的机制与研究证据：一篇完整的中文 Q&A、官方 API 参数对照、长程 reasoning state、研究论文与可证伪实验。
• SFT/RL Agent 后训练：训练信号、优化目标和环境奖励的不同来源。
• DeepSeek-R1：理解推理能力训练，不要把它等同于 Agent 跨轮 CoT 调度。
• Agent 后训练实验议程：学习如何做预算匹配和可执行的对照。

新增重点：为什么同一轮生成时 CoT 天然在解码前缀里，跨工具轮之后却需要历史回填？请读当前生成、跨轮回放与 KV Cache，解释通用 Responses / Chat Completions 推理状态协议差异与缓存复用条件，不引用任何未公开实现。

重要结论：思考开关、思考深度、历史 thinking 保留和是否真的学会按风险重想，是四个不同问题。新模型公开了接口不意味着公开了所有策略训练细节。