工具调用不打断思考：TAC-CoT 把推理藏进潜空间

显式思维链贵，是每个跑过 agent 的人都摸过的账；隐式思维链省 token，但碰到工具调用就露怯，模型得先把推理「说出口」才能调用工具。韩国数据智能实验室（DISLab）的 TAC-CoT（arXiv 2611.01926，EMNLP 2026 主会长文）在两者之间架了座桥：推理放进潜空间，只有工具调用、工具返回结果和最终答案保留文本 token。

设计是交织式的：每一步由一个路由器决定是直接回答还是调工具，工具返回的观察结果会回馈到潜空间推理轨迹里继续推。这样一来，agent 不必把每一步推理都用语言复述一遍，调用工具所需的显式通信接口却完整保留。

效果按论文口径：在智能体数学与问答基准上，准确率最高提升 8.8 个百分点；模型前向传播次数最多减少 6.8 倍；单工具与多工具设置下的工具使用质量都有提升。省前向次数这个指标尤其值得注意，它直接对应 agent 场景里「一步一推理」的延迟与成本，砍掉的是推理的「显式表达」，而不是推理本身。

对做 agent 的团队，这篇提供的是一个可叠加的中间层：如果你已经在用显式 CoT，可以把高频、模式化的推理段迁到潜空间，把文本预算留给工具协议和最终交付；如果你在用隐式推理框架，TAC-CoT 证明了工具接口不再是放弃它的理由。推理的表达形式和推理的能力，原来可以分开计价。落地时有两点提醒：其一，潜空间推理的可解释性弱于显式文本，出错时排障要看工具调用序列与返回结果，日志埋点要提前布好；其二，路由器的判定质量直接决定走向，数学这类答案可自动校验的任务是最安全的起点，开放式任务建议先灰度对照。论文作者来自韩国 DISLab，代码与评审细节可从 EMNLP 2026 主会页面顺藤摸瓜。