大型多模态模型（LMMs）在结合文本思维链（Chain-of-Thought）进行视频推理方面展现出巨大潜力。然而，当处理长时长视频时，由于证据稀疏且在时间上分布分散，这些模型仍容易产生幻觉。受人类理解长视频方式的启发——即先进行全局概览，再聚焦于相关片段进行细节分析——我们提出 LongVT，一个端到端的智能体式框架，通过交错执行的多模态“工具-思维链”（Multimodal Chain-of-Tool-Thought），实现“对长视频的深度思考”。具体而言，我们利用 LMMs 本身固有的时间定位能力，将其作为原生的视频裁剪工具，精准聚焦于特定视频片段，并对视频帧进行更细粒度的重采样。这一“全局到局部”的推理循环持续进行，直至最终答案能够基于检索到的视觉证据进行可靠支撑。鉴于当前长视频推理任务中细粒度问答（QA）数据的稀缺性，我们构建并公开发布了一个名为 VideoSIAH 的数据集，以支持模型的训练与评估。该数据集包含三类样本：用于工具融合的冷启动监督微调的 247.9 万条样本，用于智能体强化学习的 1.6 千条样本，以及用于智能体强化微调的 15.4 千条样本。评估基准则包含 1,280 组精心构建的问答对，通过半自动数据流水线结合人工在环（human-in-the-loop）验证流程进行严格筛选。在精心设计的三阶段训练策略和充分的实证验证下，LongVT 在四个具有挑战性的长视频理解与推理基准上，持续超越现有主流基线模型。相关代码、数据集及模型检查点已公开发布于：https://github.com/EvolvingLMMs-Lab/LongVT。