从直推到归纳：AI推理范式转变如何催生编程智能体

一张图背后的范式之争

一条在推特上流传的观点抛出了一个颇具分量的判断：AI正在经历从**直推式范式（transductive paradigm）向归纳式范式（inductive paradigm）**的转变，而这正是让编程智能体（coding agents）真正跑通的关键所在。

按照原帖作者的说法，这是贯穿当下的大故事。虽然只有寥寥数语，但这个对比框架触及了大语言模型工作机制的一个核心演进方向，值得展开拆解。

什么是直推式范式

所谓直推式范式，指的是模型以**逐token补全（token-by-token answer completion）**的方式直接生成答案。你给出一个提示，模型基于已有的上下文，一个词接一个词地把回答吐出来——它本质上是在做一种模式匹配式的续写。

这种方式在很多场景下运转良好，比如写一段流畅的文案、回答一个事实性问题。但它有一个结构性短板：模型没有在生成答案之前进行充分的"思考"。它把计算资源平摊到了每一个token上，而不是针对问题的难度动态分配。对于需要多步逻辑的复杂任务，这种"脱口而出"式的生成很容易在中途出错，并且错误会沿着后续token不断累积。

「直推式（transductive）」这一术语源自统计学习理论，最早由Vladimir Vapnik在1990年代提出。与归纳式学习（从训练样本中提炼出可泛化的规则）不同，直推式学习不尝试建立通用模型，而是直接从已知的训练样本推断到特定的测试样本。Vapnik的原始语境是半监督分类问题——既然我们真正关心的是对特定测试点的预测，为何要绕道学习一个完整的函数？

原帖借用这一术语来描述LLM的自回归生成机制，是一种类比性挪用：模型的每一步输出都高度依赖当前具体的上下文窗口，缺乏在生成前进行系统性规划的机制。这个类比的核心洞察在于，自回归补全本质上是一种"就地响应"，而非"先建模再输出"。理解这个术语的学科背景，有助于把握作者选词时试图强调的对比维度。

归纳式范式带来了什么

归纳式范式的核心变化在于即时推理链合成（on-the-fly reasoning chain synthesis）。模型不再急于给出最终答案，而是先在生成过程中构建一条推理链条，把复杂问题拆解成一系列中间步骤，逐步逼近结论。

这与近年来广受关注的"思维链"和推理模型的发展方向高度一致。区别在于视角：原帖把它上升到了范式层面——不是简单地在提示里加一句"让我们一步步思考"，而是模型本身的工作模式从"直接作答"切换到了"现场构建解法"。

这种转变意味着模型可以在推理时投入更多计算（test-time compute），针对难题多想几步，针对简单题少想几步。推理过程的显式化也让模型具备了自我检查和纠错的空间，而不是一条道走到黑。

「推理时计算（test-time compute）」是理解这一范式转变的关键技术概念。传统的模型能力扩展主要依赖训练阶段投入更多数据和参数（scaling law），但这条路线边际收益趋于下降。OpenAI o1系列模型的出现标志着另一条路线的成熟：在推理阶段让模型生成大量中间思考步骤，通过消耗更多推理时算力来换取更高的答题准确率。

这在机制上对应着两种不同的计算分配策略。直推式范式中，计算均匀分布在每个输出token上；归纳式范式中，模型可以在"思考token"上投入大量计算，而最终答案token反而变得相对轻量。DeepSeek^广告-R1、Claude的extended thinking等模型的实践表明，这种方式在数学、代码等结构化任务上的提升尤为显著，恰好与编程智能体的核心需求高度重合。

为什么这让编程智能体跑通了

原帖最具冲击力的论断是：这正是让编程智能体工作起来的原因。

这个因果关系值得玩味。编程任务恰恰是直推式范式最容易翻车的领域——写代码需要理解需求、规划结构、处理边界情况、调试错误，是典型的多步骤、强逻辑任务。如果模型只是逐token地"猜"下一行代码该写什么，面对稍微复杂的工程任务就会力不从心。

而当模型能够即时合成推理链，它就可以像人类工程师一样：先分析问题，再拆解任务，然后分步实现，遇到报错时回溯调整。编程智能体之所以能够处理跨多个文件、涉及反复试错的真实开发任务，背后依赖的正是这种结构化的推理能力，而非单纯的文本补全。

编程智能体（coding agent）与早期代码补全工具（如GitHub Copilot的初期形态）的本质区别在于任务粒度和执行深度。代码补全工具在直推式范式下已能表现良好——它们处理的是局部的、上下文清晰的续写任务。但编程智能体面对的是完整的工程问题：理解自然语言需求、制定实现方案、跨文件修改代码、运行测试并根据错误信息迭代。

这类任务的特点是错误代价不对称——早期规划失误会导致后续大量代码需要推翻重来，而直推式范式无法在生成前进行"预演"。Cognition的Devin、Anthropic的Claude Code、以及各类基于工具调用的agent框架能够处理真实仓库级任务，依赖的正是模型在执行具体操作前能够进行多轮内部推理、分解子目标并在遇到障碍时重新规划的能力。

一个值得审视的框架

必须指出，这是一条推特上的高度浓缩的观点，用"直推"与"归纳"这组机器学习的经典术语来类比当下的推理模型演进，更多是一种富有启发性的框架隐喻，而非严格的学术定义。原帖并未提供配套论文或完整论证，图表的具体数据也未在文本中展开。

不过，这个框架的价值在于，它用一句话概括了一个真实发生的技术趋势：从模型"直接给答案"到模型"现场想办法"。这一转变确实对应着推理模型的崛起，也确实与编程智能体从"玩具"走向"可用"的时间线相吻合。

对于关注AI应用落地的人来说，这个视角提供了一个有用的判断依据——评估一个AI系统的能力上限时，不妨看它究竟是在补全还是在推理。