反思 (Reflection)

反思（Reflection） 是一种旨在提高 Agent 准确性和鲁棒性的设计模式。它要求 Agent 在给出最终答案之前，先对自己生成的中间结果进行评估、批评和修正。

为什么需要反思？

LLM 倾向于“线性生成”，一旦开头出错，往往会一条道走到黑（Error Cascading）。人类在解决复杂问题时，会不断检查自己的步骤：“等等，这一步好像不对”。反思模式就是试图让 Agent 模拟这种元认知（Metacognition）过程。

常见的反思模式

1. Self-Correction (自我修正)

这是最简单的反思形式。

• 流程: Generate -> Critique -> Revise
• 示例: 让模型写代码，然后紧接着 Prompt 它：“这段代码有 bug 吗？如果有，请修复。”
• 应用: 很多 Coding Agent（如 OpenInterpreter）在代码执行报错后，会将错误信息喂回给 LLM，让其自我修复。

2. Reflexion 框架

Reflexion 是一个更系统化的框架，它引入了语言反馈（Verbal Reinforcement）。

• Actor: 执行任务的 Agent。
• Evaluator: 评估 Actor 输出质量的组件。
• Self-Reflection: 如果失败，Agent 会生成一段“反思文本”，分析为什么失败，并将其存入短期记忆。
• Next Attempt: 在下一次尝试中，Agent 会读取之前的反思，避免重蹈覆辙。

3. Chain of Hindsight (CoH)

利用过去的经验来指导现在的行为。通过提供一系列带有反馈的历史轨迹（“这样做好，那样做不好”），让模型学习如何优化输出。

适用场景

反思模式特别适用于：

• 代码生成: 编译错误或逻辑错误可以通过反思自动修复。
• 长文本写作: 先写草稿，再反思润色。
• 复杂推理: 数学题或逻辑题，通过“检查步骤”来提高准确率。

然而，反思也会增加 Token 消耗和延迟。对于简单任务，直接生成（Zero-shot）通常更高效；对于复杂任务，反思是提升性能的有效手段（System 2 Thinking）。