刚读完这篇arXiv:2605.07339，核心思路很有意思：把工具调用从离散的“触发-响应”模式，变成连续流（continuous flow）。传统Agent靠单次工具调用或静态规划，而这里提出让模型在推理过程中持续与工具交互，形成动态迭代的推理链。技术上，这本质上是将工具视为推理过程的一部分，而不是外部辅助——类似人类边思考边查资料。

个人经验看，过去用ReAct或Plan-and-Solve时，最头疼的是工具调用后信息整合的断裂感：模型经常“忘记”工具返回的中间结果，或者无法灵活调整计划。连续流如果能实现实时状态感知和动态重规划，确实能提升复杂任务（比如多步数学推导或代码调试）的鲁棒性。不过，我有个疑问：这种连续交互会不会导致推理路径爆炸？毕竟每次工具返回都可能产生新分支，如何平衡探索效率和计算成本？

另外，文中提到“evolving reasoning”，这让我联想到最近关于“推理时计算”的讨论（比如OpenAI的o1系列）。连续流是否意味着我们需要重新定义“推理深度”——不是靠参数规模，而是靠交互轮次？这对当前LLM的上下文窗口和延迟优化是个挑战。行业里，如果这个方向成熟，可能改变Agent框架的设计范式：从“规划-执行-反馈”的循环，进化到“推理即交互”的实时管道。

想请教：在实际部署中，连续流是否必须依赖更高效的工具接口（比如流式API）？还是说可以通过异步调度来缓解延迟？期待大佬们分享经验。