Reflection

Reflection 是一种让 Agent 对自己输出进行批判性评估并据此改进的设计模式，核心循环是：生成 → 批评 → 修订。与 Agent Loop 里每步走完就继续不同，Reflection 会在生成完一个（阶段性）结果后，专门用一次额外的模型调用来审查这个结果：哪里不对、哪里可以更好、有没有遗漏。审查结论再反馈给下一轮生成，驱动改进。最有影响力的实现是 Reflexion 框架——它让 Agent 把失败原因写成自然语言存进记忆，下次尝试时带着这段「经验总结」重试，论文报告在编程基准（HumanEval）上成功率有显著提升。实际工程里最简单的 Reflection 只需两次模型调用：第一次生成，第二次用「你是一个挑剔的审查者，找出上面回答的问题」提示词来审查，再把审查结果拼回去触发第三次调用修订。

像写完作文再通读一遍：不是改个错别字，而是问自己"论点清楚吗？有没有逻辑漏洞？举的例子贴切吗？"——发现问题就修改，觉得没问题了才交卷。也像运动员赛后看录像复盘，不是为了懊恼，而是为了下次做得更好。

无反思（一次生成，直接输出）：
  用户："写一段 Python 代码判断质数"
  模型第一轮输出：
    def is_prime(n):
        for i in range(2, n):
            if n % i == 0: return False
        return True
  → 直接返回给用户（未检查：n=1 时返回 True，存在 bug）

有反思（生成 → 批评 → 修订）：
  第一轮生成：同上代码
  第二轮（Reflection）："挑错者"审查上面代码：
    → 发现问题：n<=1 没有处理；循环可优化到 sqrt(n)
  第三轮（修订）根据批评改进：
    def is_prime(n):
        if n < 2: return False
        for i in range(2, int(n**0.5) + 1):
            if n % i == 0: return False
        return True
  → 返回修订后更正确的版本

关键：反思不改变 Agent 的工具和目标，只在生成和输出之间插入一个"自我审查"节点。

• → Self-Critique / Self-Refine· 自我批评与修正
• → Agent Loop· 智能体循环