Phase 1 & 2: Baseline experiments + AGoT implementation + reasoning graph analysis

## Added

### Core framework
- src/llm_client.py — Ollama API wrapper for local Docker inference
- src/samples.py — Embedded benchmark datasets (GSM8K/MATH/AIME + Chinese)
- src/run_all.py — Unified experiment runner

### Phase 1: Baselines
- src/baseline/benchmark.py — IO, CoT, CoT-SC, ToT evaluation with Chinese support

### Phase 2: AGoT
- src/agot/agot.py — AGoT core algorithm (6 agent types, recursive decomposition)
- src/agot/graph_utils.py — DAG graph data structure with cycle detection
- src/agot/prompts.py — 6 agent prompt templates (EN + ZH)
- src/agot/run.py — AGoT experiment runner

### Graph Analysis
- src/graph_analysis/reasoning_graph.py — Graph property computation (cyclicity, diameter, small-world)
- src/graph_analysis/visualize.py — Visualization charts

### Documentation
- docs/graph_reasoning_principles.md — Comprehensive principles document
- docs/next_steps.md — Roadmap for reliable reasoning tool

### Experiment Results
- GSM8K/MATH baselines on qwen2.5:32b and qwq:latest
- AGoT validation (100% on small sample)
- Chinese dataset benchmarks (C-GSM8K, CMATH)
- Graph property analysis confirming Topology of Reasoning findings

docs/next_steps.md

@@ -0,0 +1,85 @@
+# 下一步工作计划：构建可靠推理工具
+
+> 目标：基于图增强推理的研究成果，构建一个让小型 LLM 也能
+> 可靠作答、不犯错的实用工具。
+
+---
+
+## 当前进展总结
+
+我们已经完成：
+
+- ✅ 5 篇核心论文的可行性分析
+- ✅ AGoT 核心算法实现 + 验证
+- ✅ 基线评测框架（IO/CoT/CoT-SC/ToT）
+- ✅ 推理图属性分析工具
+- ✅ 初步实验数据（GSM8K/MATH/中文支持）
+
+## 核心发现
+
+1. **AGoT 有效**：在样本测试中达到 100%（vs CoT 80%）
+2. **图属性与能力相关**：推理模型的图属性（循环、直径、小世界）更强
+3. **主要瓶颈是计算成本**：AGoT 需要 ~7x CoT 时间
+
+## 下一步建议
+
+### 选项 A：构建"可靠推理器"工具（推荐）
+
+将 AGoT 包装为实用工具，核心思路是**分级推理 + 内置验证**：
+
+```
+输入问题
+  │
+  ├─ 快速通道 (IO)       → 简单问题 < 1秒
+  │    └─ 置信度 < 阈值？
+  │        └─→ 标准通道 (CoT) → 中等问题 < 30秒
+  │              └─ 置信度 < 阈值？
+  │                  └─→ 深度通道 (AGoT) → 困难问题 < 3分钟
+  │                        └─ 验证器检查答案
+  │                            └─ 不一致？重新推理
+  │
+  └─ 输出: 答案 + 推理图 + 置信度
+```
+
+**关键组件**：
+- 置信度估计（基于推理图的节点评分聚合）
+- 验证器 Agent（独立验证答案正确性）
+- 图可视化（人类可读的推理过程）
+
+### 选项 B：扩大实验规模
+
+在更多数据上验证 AGoT 的效果：
+
+| 实验 | 说明 | 预期耗时 |
+|------|------|---------|
+| GSM8K 完整 200 样本 | 统计显著对比 | ~1.5 小时 |
+| MATH 完整 500 样本 | 竞赛数学验证 | ~5 小时 |
+| 跨模型测试 | qwq + AGoT | ~3 小时 |
+| CMATH 完整中文 | 中文数学对比 | ~2 小时 |
+
+### 选项 C：图感知 SFT 训练（Phase 3）
+
+用 AGoT 生成的高质量推理轨迹训练模型，使其在普通 CoT 下也能展现图结构推理：
+
+1. 用 AGoT 在验证集上生成推理轨迹
+2. 只保留回答正确的轨迹（自蒸馏）
+3. 用 LoRA 微调 Qwen2.5-32B
+4. 验证微调后推理图属性的变化
+
+## 建议优先级
+
+```
+立即:
+  构建"可靠推理器"MVP
+  ├─ 置信度估计模块
+  ├─ 验证器 Agent
+  └─ 分级推理调度器
+
+本周:
+  在完整 GSM8K 上验证
+  加入中文数学完整测试
+
+下阶段:
+  AGoT 自蒸馏 + LoRA 微调
+  多模型图聚合推理
+```