一、Reflection 的核心概念
Reflection(反思)是指 Agent 对自身的推理过程、行动结果和任务完成情况进行评估,并根据评估结论修正后续行为的能力。
传统 LLM 调用通常采用一次性生成模式:
- 接收用户输入。
- 生成回答或执行计划。
- 返回结果。
这种模式缺乏对结果的主动验证能力。模型可能产生错误推理、调用错误工具、遗漏关键步骤,甚至在任务失败后重复相同操作。
Reflection 在 Agent 执行过程中引入反馈与自我评估机制,使 Agent 不仅能够执行任务,还能够判断执行是否有效。
1.1 核心能力
| 能力 | 说明 |
|---|---|
| 结果评估 | 判断当前输出是否满足任务目标 |
| 错误识别 | 发现事实错误、逻辑错误和执行错误 |
| 原因分析 | 定位失败发生的原因,而不只是识别失败现象 |
| 策略修正 | 修改推理路径、工具选择或执行计划 |
| 再次执行 | 根据修正后的策略重新执行任务 |
| 停止判断 | 判断是否达到目标,避免无意义循环 |
1.2 Reflection 与普通推理的区别
| 维度 | 普通推理 | Reflection |
|---|---|---|
| 核心目标 | 生成解决方案 | 评估并改进解决方案 |
| 输入 | 用户任务和上下文 | 原始任务、执行过程和执行结果 |
| 关注重点 | 如何完成任务 | 是否完成任务、哪里存在问题 |
| 错误处理 | 可能直接输出错误结果 | 尝试识别并修正错误 |
| 执行模式 | 单轮或连续推理 | 评估、反馈、修正、再执行 |
| 终止依据 | 生成完成 | 质量达标或达到停止条件 |
需要注意:Reflection 不等于模型简单地重新思考一次。
真正有效的 Reflection 必须建立在可验证的反馈信息之上,并且能够将评估结果转化为具体的行为调整。
二、Reflection 的整体架构
Reflection 通常作为 Agent 执行循环中的一个独立环节,与 Planner、Executor、Tool、Memory 等模块协同工作。
2.1 核心架构
flowchart TD
A["用户任务"] --> B["Planner 任务规划"]
B --> C["Executor 执行任务"]
C --> D["获取执行结果"]
D --> E["Reflection 结果评估"]
E --> F{"是否达到目标"}
F -->|"是"| G["输出最终结果"]
F -->|"否"| H["错误分析"]
H --> I["生成修正策略"]
I --> J["更新执行计划"]
J --> C
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#EAF3EC,stroke:#83A995,color:#315D49
style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style F fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style G fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style H fill:#F7EAE7,stroke:#C98D7C,color:#754438
style I fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style J fill:#EAF3EC,stroke:#83A995,color:#315D49
核心执行链路:
- Planner 根据用户任务生成执行计划。
- Executor 按照计划调用工具或执行操作。
- 系统收集执行结果、工具返回值和中间状态。
- Reflection 对结果进行评估。
- 如果任务未达标,分析错误并生成修正策略。
- 将修正策略反馈给 Planner 或 Executor。
- 重新执行,直到满足目标或触发终止条件。
2.2 Reflection 的模块划分
| 模块 | 主要职责 | 输出 |
|---|---|---|
| Evaluator | 评估任务执行质量 | 评估结果 |
| Critic | 识别缺陷与错误 | 问题列表 |
| Analyzer | 分析错误原因 | 根因分析 |
| Reflector | 生成反思结论 | 反思记录 |
| Strategy Updater | 修正后续执行策略 | 新执行策略 |
| Controller | 控制循环次数和停止条件 | 控制决策 |
实际工程中,这些模块不一定由独立模型实现。可以通过同一个 LLM 的不同提示词、独立评估模型、规则引擎或外部验证器实现。
三、Reflection 的核心工作机制
Reflection 的关键不是重新生成答案,而是将执行结果转化为可操作的反馈。
3.1 第一步:建立评估标准
Agent 在执行任务前,需要明确什么样的结果才算成功。
如果没有明确的评估标准,Reflection 就容易变成主观评价,例如:
- 回答是否看起来合理?
- 代码是否看起来正确?
- 方案是否比较完整?
这些判断缺乏可靠性。
因此,应该将任务目标拆解为可检查的验收条件。
例如,用户要求开发一个 REST API:
| 验收维度 | 检查条件 |
|---|---|
| 功能正确性 | API 是否实现指定业务功能 |
| 参数校验 | 是否处理非法参数 |
| 返回格式 | 是否符合约定的数据结构 |
| 异常处理 | 是否覆盖常见异常 |
| 安全性 | 是否处理认证和权限问题 |
| 测试覆盖 | 是否通过关键测试用例 |
可以将验收标准表示为:
{
"task": "开发用户查询接口",
"criteria": [
{
"name": "功能正确性",
"check": "返回指定用户信息",
"weight": 0.35
},
{
"name": "参数校验",
"check": "非法用户 ID 返回明确错误",
"weight": 0.20
},
{
"name": "异常处理",
"check": "用户不存在时返回约定状态码",
"weight": 0.20
},
{
"name": "测试通过",
"check": "核心测试用例全部通过",
"weight": 0.25
}
]
}
验收条件应尽可能在执行前确定,避免模型在执行失败后随意降低成功标准。
3.2 第二步:收集执行证据
Reflection 不能只依赖最终回答,还需要收集完整的执行上下文。
典型数据包括:
- 原始任务目标。
- 当前执行计划。
- 模型生成的推理摘要。
- 工具调用记录。
- 工具返回结果。
- 中间状态。
- 最终输出。
- 外部验证结果。
- 执行耗时和资源消耗。
可以将执行过程抽象为:
{
"task_id": "task_001",
"goal": "完成用户查询接口",
"plan": [
"设计接口",
"实现业务逻辑",
"添加参数校验",
"执行测试"
],
"actions": [
{
"tool": "code_executor",
"operation": "run_tests",
"status": "success",
"output": "8 passed, 1 failed"
}
],
"result": {
"status": "partial_success",
"completed_steps": 3,
"failed_steps": 1
}
}
这里有一个重要原则:
执行记录与模型对执行记录的解释必须分开存储。
例如,工具返回测试失败是客观事实;模型判断失败原因是参数校验遗漏,则属于分析结论。
两者不能混为一谈。
3.3 第三步:执行质量评估
Evaluator 根据验收标准和执行证据,对任务结果进行评价。
常见评估方式包括:
1. 规则评估
通过确定性规则判断结果是否符合要求。
例如:
- HTTP 状态码是否正确。
- JSON 字段是否完整。
- 测试是否全部通过。
- 文件是否存在。
- 数据库记录是否成功写入。
优点是稳定、成本低、结果可复现。
缺点是只能覆盖明确编码的规则。
2. 模型评估
使用 LLM 判断结果是否满足任务要求。
适用于:
- 自然语言质量评估。
- 方案合理性分析。
- 复杂逻辑审查。
- 文档完整性检查。
- 多维度语义比较。
缺点是可能存在评估偏差、幻觉和自我偏好。
3. 外部评估
使用独立系统提供验证结果。
例如:
- 单元测试。
- 集成测试。
- 静态代码分析。
- 数据库查询。
- API 实际调用。
- 搜索结果核验。
- 人工审核。
外部评估通常比单纯的模型自我判断更可靠。
4. 混合评估
实际工程中通常组合多种方式:
flowchart TD
A["执行结果"] --> B["规则评估"]
A --> C["LLM 语义评估"]
A --> D["外部工具验证"]
B --> E["评估结果融合"]
C --> E
D --> E
E --> F{"是否通过验收"}
F -->|"通过"| G["确认任务完成"]
F -->|"未通过"| H["进入错误分析"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style D fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style E fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style F fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style G fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style H fill:#F7EAE7,stroke:#C98D7C,color:#754438
3.4 第四步:识别问题并分析根因
发现任务失败后,不能直接重新执行,而应该判断失败发生在哪里。
常见错误类型:
| 错误类型 | 典型表现 | 可能原因 |
|---|---|---|
| 目标理解错误 | 完成的不是用户要求的任务 | 意图识别不准确 |
| 规划错误 | 执行顺序不合理 | 依赖关系分析错误 |
| 推理错误 | 结论与事实不符 | 前提错误或逻辑跳跃 |
| 工具选择错误 | 调用了不合适的工具 | 工具能力理解错误 |
| 工具执行错误 | API 调用失败 | 参数错误、权限不足 |
| 数据错误 | 使用了过期或错误数据 | 检索质量不足 |
| 上下文错误 | 遗漏关键约束 | 上下文管理不完整 |
| 验证错误 | 错误结果被判定为成功 | 验收标准不充分 |
根因分析应区分三个层次:
- 现象:发生了什么。
- 直接原因:为什么出现这个现象。
- 根本原因:哪个系统环节导致直接原因发生。
例如:
现象:
单元测试失败。
直接原因:
接口返回字段缺失。
根本原因:
Planner 没有将返回字段要求纳入执行计划。
修正方向:
补充接口契约约束,并增加响应结构验证。
如果只修复直接原因,而不修正根本原因,类似问题可能在下一次执行中再次出现。
3.5 第五步:生成修正策略
根因分析完成后,Reflection 需要生成具体、可执行的修正方案。
修正策略可以分为:
| 修正类型 | 处理方式 |
|---|---|
| 目标修正 | 重新明确任务约束 |
| 计划修正 | 调整任务步骤和依赖关系 |
| 推理修正 | 重新检查前提与逻辑 |
| 工具修正 | 更换工具或调整调用参数 |
| 数据修正 | 重新检索、校验或更新数据 |
| 验证修正 | 增加检查项或修改验收流程 |
| 上下文修正 | 补充缺失信息 |
修正策略应具备明确的执行动作,而不是模糊的自我评价。
不推荐:
需要更加仔细地检查代码。
推荐:
1. 检查用户查询接口的响应结构。
2. 补充缺失的 user_id 和 created_at 字段。
3. 增加响应结构断言。
4. 重新执行相关单元测试。
3.6 第六步:再次执行并验证
修正策略必须反馈到执行系统,而不是只生成一段反思文本。
flowchart TD
A["收到修正策略"] --> B["更新执行计划"]
B --> C["重新执行失败步骤"]
C --> D["收集新执行结果"]
D --> E["重新评估"]
E --> F{"是否满足验收标准"}
F -->|"是"| G["结束任务"]
F -->|"否"| H{"是否还有重试预算"}
H -->|"有"| I["进一步分析问题"]
I --> B
H -->|"没有"| J["终止并报告失败"]
style A fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#EAF3EC,stroke:#83A995,color:#315D49
style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style F fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style G fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style H fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style I fill:#F7EAE7,stroke:#C98D7C,color:#754438
style J fill:#F7EAE7,stroke:#C98D7C,color:#754438
并不是所有任务都需要从头执行。
更合理的方式是定位失败步骤,只重新执行受影响的部分,同时保留已经验证通过的结果。
四、Reflection 的关键技术机制
4.1 自我评估与 Critic 机制
Critic 是 Reflection 中负责审查结果的核心角色。
它需要从任务目标、事实准确性、逻辑一致性、约束满足情况和执行质量等角度进行评价。
典型的 Critic Prompt:
你是一个独立的任务质量评估器。
请根据原始任务和验收标准,审查 Agent 的执行结果。
评估要求:
1. 不要默认 Agent 的结果正确。
2. 逐项检查验收标准。
3. 区分事实错误、逻辑错误和执行错误。
4. 必须引用执行证据。
5. 不确定的问题标记为 unknown。
6. 给出具体、可执行的修正建议。
输出 JSON:
{
"passed": false,
"score": 0.72,
"issues": [
{
"type": "missing_requirement",
"description": "缺少用户创建时间字段",
"evidence": "实际响应中不存在 created_at",
"severity": "high"
}
],
"root_cause": "接口响应契约未完整纳入执行计划",
"suggestions": [
"补充 created_at 字段",
"增加响应结构测试"
]
}
Critic 的关键不是给出一个分数,而是提供有证据支持的问题定位。
4.2 自我修正与策略更新
Self-Correction(自我修正)是 Reflection 的后续行动阶段。
二者关系:
- Reflection:发现问题并形成反思结论。
- Self-Correction:根据反思结论修改执行行为。
常见修正对象:
- Prompt:补充约束和执行要求。
- Plan:修改任务分解和步骤依赖。
- Tool:更换工具或修正调用参数。
- Context:补充缺失的事实和历史信息。
- Code:修改错误代码。
- Memory:记录经过验证、值得复用的经验。
这里需要特别注意:修改执行计划和修改模型参数不是同一件事。
大多数 Agent 的自我修正发生在推理上下文、执行计划和外部状态层面,并不会直接更新基础模型权重。
4.3 反思记录与经验复用
如果每次任务完成后都只保留最终结果,Agent 很难积累有效经验。
可以将反思结论结构化保存:
{
"reflection_id": "reflection_001",
"task_type": "api_development",
"failure_type": "missing_requirement",
"observation": "响应中缺少 created_at 字段",
"root_cause": "接口契约未完整纳入计划",
"correction": "增加响应字段清单和结构测试",
"verification": "相关测试全部通过",
"confidence": 0.95,
"reusable": true
}
后续遇到相似任务时,可以检索相关反思记录,提前规避已经发生过的问题。
需要注意:
- 不要将未经验证的推测直接写入长期记忆。
- 不要将单次任务的偶然经验泛化为通用规则。
- 记录经验时应保留适用条件和来源。
- 对过期经验应支持更新、失效和删除。
五、Reflection 的主要实现模式
Reflection 并不是单一固定算法,根据任务复杂度和执行成本,可以采用不同模式。
5.1 单轮 Reflection
执行一次任务,然后进行一次评估和修正。
flowchart TD
A["输入任务"] --> B["生成结果"]
B --> C["执行评估"]
C --> D{"是否达标"}
D -->|"是"| E["输出结果"]
D -->|"否"| F["生成修正建议"]
F --> G["修正结果"]
G --> H["再次验证"]
H --> I["输出最终结果"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style D fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style E fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style F fill:#F7EAE7,stroke:#C98D7C,color:#754438
style G fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style H fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style I fill:#DCEFE5,stroke:#4F8B70,color:#24563F
特点:
- 实现简单。
- 调用次数可控。
- 适合短文本、简单代码和结构化输出。
- 无法充分处理复杂的多阶段任务。
5.2 多轮 Reflection
Agent 在多轮执行中不断评估和修正,直到满足验收标准或达到最大迭代次数。
flowchart TD
A["任务输入"] --> B["执行任务"]
B --> C["质量评估"]
C --> D{"是否达到目标"}
D -->|"是"| E["任务完成"]
D -->|"否"| F["分析失败原因"]
F --> G["调整执行策略"]
G --> H{"是否超过迭代上限"}
H -->|"否"| B
H -->|"是"| I["终止并返回当前结果"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style D fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style E fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style F fill:#F7EAE7,stroke:#C98D7C,color:#754438
style G fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style H fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style I fill:#F7EAE7,stroke:#C98D7C,color:#754438
特点:
- 能够处理复杂问题。
- 支持逐步修正。
- 可以根据反馈动态调整执行路径。
- 需要控制迭代次数、Token 消耗和执行时间。
多轮 Reflection 并不意味着循环次数越多越好。如果每一轮都没有引入新的证据或有效策略,继续反思只会增加成本。
5.3 外部反馈驱动的 Reflection
该模式不完全依赖 LLM 自我判断,而是通过外部系统提供客观反馈。
例如代码开发 Agent:
- 代码生成模型负责实现。
- 编译器负责语法检查。
- 单元测试负责功能验证。
- 静态分析工具负责代码质量检查。
- Reflection 负责解释失败原因并修正实现。
flowchart TD
A["生成代码"] --> B["编译器检查"]
B --> C{"编译是否通过"}
C -->|"否"| F["Reflection 分析编译错误"]
C -->|"是"| D["执行单元测试"]
D --> E{"测试是否通过"}
E -->|"是"| G["静态分析"]
E -->|"否"| F
F --> H["生成修正方案"]
H --> A
G --> I{"质量是否达标"}
I -->|"是"| J["交付代码"]
I -->|"否"| F
style A fill:#EAF3EC,stroke:#83A995,color:#315D49
style B fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style C fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style F fill:#F7EAE7,stroke:#C98D7C,color:#754438
style G fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style H fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style I fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style J fill:#DCEFE5,stroke:#4F8B70,color:#24563F
这种模式的可靠性通常更高,因为评估结果能够通过外部工具验证。
5.4 跨步骤 Reflection
复杂 Agent 任务通常由多个子任务组成。
如果某个步骤失败,Agent 不一定需要重新执行整个任务,而是需要分析失败对后续步骤的影响。
例如:
任务:
生成业务分析报告。
子任务:
1. 获取业务数据。
2. 清洗数据。
3. 统计指标。
4. 分析趋势。
5. 生成报告。
如果第三步统计指标出现错误,可能需要重新执行第四步和第五步,但不一定需要重新获取数据。
这就要求 Reflection 具备:
- 子任务依赖关系识别。
- 失败影响范围分析。
- 中间结果有效性判断。
- 局部重试和结果复用能力。
六、Reflection 的高级机制
6.1 Reflection 与 ReAct 的结合
ReAct 通过 Reasoning 和 Acting 交替完成任务。
Reflection 在 ReAct 的执行链路中增加结果评估和策略修正能力。
二者区别:
| 维度 | ReAct | Reflection |
|---|---|---|
| 核心机制 | 推理与行动交替 | 结果评估与自我修正 |
| 关注对象 | 当前应该采取什么行动 | 已执行行动是否有效 |
| 反馈来源 | 工具观察结果 | 任务目标、执行轨迹和验证结果 |
| 主要作用 | 推动任务执行 | 提升执行质量 |
| 典型场景 | 工具调用、信息检索 | 纠错、验证、迭代优化 |
二者结合后,Agent 可以在每次重要行动后检查结果,并在必要时调整下一步行动。
flowchart TD
A["接收任务"] --> B["Reason 推理"]
B --> C["Act 执行动作"]
C --> D["Observe 获取观察结果"]
D --> E["Reflection 评估"]
E --> F{"当前执行是否合理"}
F -->|"是"| G{"任务是否完成"}
G -->|"否"| B
G -->|"是"| H["输出结果"]
F -->|"否"| I["分析错误"]
I --> J["修正执行策略"]
J --> B
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#EAF3EC,stroke:#83A995,color:#315D49
style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style F fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style G fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style H fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style I fill:#F7EAE7,stroke:#C98D7C,color:#754438
style J fill:#EAE8FA,stroke:#A49BD5,color:#51477D
6.2 Reflection 与 Memory 的结合
Reflection 产生的经验可以被写入 Agent Memory,供后续任务使用。
但需要区分两类数据:
任务级反思记录
用于当前任务的修正,例如当前代码存在什么问题、哪一步执行失败。
长期经验记忆
用于后续相似任务,例如某种 API 调用方式容易出现参数错误,某类任务需要增加额外验证。
二者不能无条件混合。
推荐的经验沉淀流程:
flowchart TD
A["Reflection 产生结论"] --> B["提取候选经验"]
B --> C["检查证据充分性"]
C --> D{"是否经过验证"}
D -->|"否"| E["保留为临时记录"]
D -->|"是"| F["评估复用价值"]
F --> G{"是否值得长期保存"}
G -->|"否"| H["归档或丢弃"]
G -->|"是"| I["去重与冲突检查"]
I --> J["写入长期记忆"]
J --> K["后续任务检索复用"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style D fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style E fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style F fill:#EAF3EC,stroke:#83A995,color:#315D49
style G fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style H fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style I fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style J fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style K fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
长期记忆的写入应该经过质量控制,否则 Agent 可能把错误判断固化成长期经验,导致后续任务持续受到错误记忆影响。
6.3 Reflection 与 Planning 的结合
Planner 负责生成任务计划,Reflection 负责判断计划是否有效。
二者形成动态规划机制:
- 初始计划由 Planner 生成。
- Executor 执行当前计划。
- Reflection 评估执行结果。
- 如果计划本身存在缺陷,则要求 Planner 重新规划。
- 如果计划正确但执行失败,则优先修正执行步骤。
这里有一个重要区别:
执行错误不一定意味着计划错误。
例如:
- API 超时:可能是临时网络问题。
- API 参数错误:可能是工具调用问题。
- 任务依赖关系错误:才更可能属于规划问题。
如果将所有失败都反馈给 Planner 重新规划,会造成不必要的计划变更。
6.4 多 Agent Reflection
在多 Agent 架构中,可以让不同 Agent 分别承担执行、评估和审查职责。
例如:
| Agent | 职责 |
|---|---|
| Planner Agent | 制定任务计划 |
| Executor Agent | 执行任务 |
| Critic Agent | 独立评估执行结果 |
| Reviewer Agent | 复核重要结论 |
| Controller Agent | 控制任务状态和重试 |
多 Agent Reflection 的优势是降低执行者与评估者之间的角色偏差。
但需要注意:
- 多 Agent 不代表一定更准确。
- 多个 Agent 可能共享相同模型偏差。
- 评估意见可能互相冲突。
- 通信和推理成本会增加。
- 必须明确最终决策权归属。
对于高风险任务,可以采用独立模型、确定性验证器和人工审批相结合的方式。
七、Reflection 的工程实现
7.1 核心数据结构
生产环境中,Reflection 不应只是一个 Prompt,而应成为具有状态、评估结果和执行记录的工作流模块。
可以设计以下数据结构:
from dataclasses import dataclass, field
from typing import Any
@dataclass
class EvaluationIssue:
issue_type: str
description: str
evidence: str
severity: str
@dataclass
class EvaluationResult:
passed: bool
score: float
issues: list[EvaluationIssue] = field(
default_factory=list
)
root_cause: str = ""
suggestions: list[str] = field(
default_factory=list
)
@dataclass
class ReflectionRecord:
task_id: str
iteration: int
execution_result: Any
evaluation: EvaluationResult
correction_plan: list[str] = field(
default_factory=list
)
主要字段:
task_id:任务唯一标识。iteration:当前反思轮次。execution_result:执行结果。evaluation:评估结论。correction_plan:修正策略。