Self-Reflection(自我反思)
Self-ReflectionAgent 反思自己的输出
亦作、亦称:自我反思
Self-Reflection(自我反思)在 Agent 中指模型显式评估自己上一轮输出、识别错误并修正的机制,是 Reflexion 等框架的核心,用于提升多步推理与工具调用可靠性。
反思循环
生成答案 → 生成批评(是否满足约束、事实是否正确)→ 根据批评再生成。批评与答案可写入 episodic memory 供后续任务参考。
实现方式
可通过额外 LLM 调用充当 Critic,或在单 prompt 内要求「先反思再回答」。与 Chain-of-Verification、Self-Consistency 等推理增强技术可组合。
局限
自我批评质量受基座能力限制,可能「反思了但仍错」。关键业务应叠加外部 ground truth 检查。
常见误解
日常交流中容易听到的简化说法,未必准确,但能帮助理解误解从何而来。
- 「Agent 反思自己的输出」
- 「让模型自己检查」
- 「生成后再自评」
相关术语
和本术语关联紧密的其他词条,便于串联理解。
🎯 考点练习
含该术语的高频面试题,含标准答案与追问。
- 中级概念查看详解 →
什么是 Agentic Engineering?它和 Vibe Coding 有什么区别?
Vibe Coding(Karpathy 2025)是凭感觉用自然语言让 AI 生成代码、快速试错,适合原型;Agentic Engineering 把 Agent 纳入系统化工程流程(需求-规划-生成-自动测试-迭代-评审),强调可控、可验证、可维护,生产系统应走后者。
- 初级概念高频查看详解 →
AI Agent 的基本架构由哪些核心组件构成?
面试里可以直接说:Agent 不是“会调工具的聊天机器人”,而是 LLM 加上规划、记忆、工具和控制循环,能持续观察、思考、行动并修正。
- 高级系统设计查看详解 →
Agent 接入多渠道(Telegram/飞书/钉钉/Web)时,Channel 抽象层如何设计?
Channel 抽象层用适配器模式把各平台的消息格式、富文本、鉴权、事件差异收敛成统一的 Message/User/Session 接口,receive 转标准消息、send 各自适配,并用特性开关处理能力差异。
- 中级概念查看详解 →
什么是上下文压缩(Context Compaction)?有哪些压缩策略?
面试里可以说:上下文压缩就是在长会话里“把历史变瘦但不丢重点”,用摘要、结构化抽取和外部记忆来省 token、降延迟、减少模型遗忘。
延伸阅读
从知识库精选 3 篇文章,帮助深入理解该术语。
- 1
规划与反思:Self-Reflection 模式
让 Agent 学会自我纠错,理解规划与反思的设计模式
- 2
ReAct:推理与行动的循环
让大模型边思考边行动,理解 ReAct 范式如何提升 Agent 能力
- 3
AI Agent 编排模式与架构:从 ReAct 到多智能体协同的完整技术体系
AI Agent 从单轮对话走向自主任务执行,核心挑战在于如何有效地编排 Agent 的思考、行动和协作流程。本文系统讲解 Agent 编排的完整技术体系——从经典的 ReAct 范式到 Supervisor-Agents 模式,从 Swarm 分布式协作到基于图的复杂工作流,涵盖架构原理、设计模式、代码实现、框架对比和生产实践,是构建生产级 Agent 系统的必读指南。
外部参考
维基百科:查看「Self-Reflection」词条本页内容为本站原创撰写;维基百科链接仅作延伸参考。
