DeepSeek V3.2的Agentic能力大增，离不开这项关键机制：Interleaved Thinking（交错思维链）。Interleaved Thinking风靡开源社区背后，离不开另一家中国公司的推动。
大模型的「健忘症」，早该治治了！
当你试图用当今最先进的大模型帮你完成一个复杂的长假规划，比如「带全家老小去云南玩七天」时，往往很可能会遭遇一个令人崩溃的时刻：
起初，这位「导游」表现得极其靠谱，分析得头头是道。
它记得你说的每一句要求，帮你规划了昆明到大理的路线，甚至贴心地避开了游客太多的网红店。
但随着对话进行到第十轮，你们为了选酒店修改了五次方案，又为了某顿晚餐争论了半天后，它突然「失智」了。
它开始忘记你一开始强调了无数遍的死命令：「带着80岁的奶奶，绝对不能安排爬山和剧烈运动」。
在最新的行程表里，它竟然兴致勃勃地建议：「第四天清晨：全家早起徒步攀登玉龙雪山，欣赏日照金山，全程耗时4小时……」
图片由Nano Banana Pro生成
在AI工程界，这种现象有一个术语：状态漂移（State Drift）。
这并非模型「变笨」了，而是我们让它思考的方式错了。
为了治愈这种「健忘症」，Anthropic Claude、OpenAI GPT-OSS、MiniMax M2、Kimi K2 Thinking等国内外各大模型都不约而同地选择了同一项技术：一边思考，一边用工具（Thinking in Tool-Use）。
DeepSeek: Thinking in Tool-Use
MiniMax等部分厂商也将其称作Interleaved Thinking（交错思维链），从示意图即可看出，二者本质上是等价的。这是一个更贴近技术的称呼。
Minimax: Interleaved Thinking（交错思维链）
如图所示，交错思维链即模型在推理（thinking）和工具调用（action）之间来回交替，并持续保留和复用每一轮的推理状态，从而实现稳定、可累积的长程规划。
崩溃的ReAct
与「隐式推理」的诅咒
要理解交错思维链为什么是「神技」，我们得先看看它的前任——早期的ReAct（Reasoning+Acting）范式是如何遇到瓶颈的。
ReAct流程示意图
在很长一段时间里，我们构建AI Agent的逻辑非常线性：观察->思考->行动。
这看起来很符合直觉，但在实际的工程实现（如OpenAI的Function Calling（函数调用））中，这个过程往往被简化成了「模型直接输出工具调用指令」。
问题就出在这里。
模型在输出Action（比如「读取文件A」）的那一刻，它的「脑子」是清醒的。
但当工具执行完毕，返回了数千行的代码或网页内容后，模型进入下一轮生成时，它面临着巨大的环境扰动。
想象一下，你是一个程序员，每写一行代码，就有人把你打晕，清除你的短期记忆，然后把刚才的运行日志扔给你，让你继续写。
由于缺乏显式的、连续的思维记录，模型很容易被复杂的工具返回结果带偏。
它可能会被报错信息吸引注意力，从而忘记了原本的长期规划。
这就是「隐式推理」的诅咒。
模型的思考过程隐藏在权重里，一旦被打断（Turn-based interaction），这些思维火花就烟消云散了。
交错思维链：给Agent装上「海马体」
MiniMax的研发团队在开发M2模型时，敏锐地捕捉到了这个痛点。
Agent需要的不只是更长的上下文窗口，更是一种显式的、可累积的思考状态。
这就是交错思维链。