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。
