工具即连续流：面向演化智能体推理

大语言模型（LLM）已展现编排工具完成推理任务的卓越能力。但既有方法依赖缺乏全局视角的逐步范式，导致长程误差累积并限制向未见工具的泛化。为克服这些局限，我们提出FlowAgent（Tools as Continuous Flow for Evolving Agentic Reasoning）：把工具链重构为语义空间内的连续轨迹生成。为系统评估该范式，我们引入首个专注于动态真实环境中计划级智能体推理的计划级闭环基准。具体地，所提FlowAgent利用条件流匹配生成连续潜在轨迹，提供全局规划视角以确保连贯鲁棒的工具执行。理论上，我们建立效用收敛的形式界并证明连续表述根本性保证鲁棒泛化与误差衰减。实证评估显示FlowAgent在长程推理任务上取得更优的鲁棒性与适应性。