标准回答
核心机制
Reflexion 在 ReAct 等行动循环之上加一层自我反思：一次任务尝试结束后，根据评估结果（成功/失败、单测是否通过、奖励高低），让模型用自然语言总结「这次为什么没做好、下次应该怎么调整」，把这段反思作为文本反馈写入记忆。下一次重试时，把反思一并放进上下文，引导模型避开同样的错误。
为什么有效且特别
它不更新模型权重，纯靠语言反馈在上下文中「学习」，是一种无梯度的自我改进，迭代成本低、可解释。本质是把失败经验显式化、可复用化。
依赖与边界
需要一个评估信号才能反思，因此适合答案可验证、允许多次重试的任务（解题、代码、交互式任务）。局限是反思本身可能判断错误而误导后续、受上下文长度和重试预算约束，且经验难跨任务长期保留（除非外接长期记忆）。
常见误区
⚠️ 常见踩坑
别说 Reflexion「重新训练了模型」——它不改权重，只把反思文本放进上下文/记忆；也别忽视它依赖可靠的评估信号，没有成败反馈时模型会反思出一堆似是而非的「教训」反而帮倒忙。
追问
追问 1：Reflexion 和直接微调相比有什么优劣？
优势是无需梯度更新、即时生效、成本低、可解释；劣势是经验只活在上下文里，受窗口限制、难长期累积，泛化不如把大量经验真正训练进权重。两者可互补。
追问 2：反思内容存哪里、怎么复用？
短期放进当前任务上下文供本轮重试；想跨任务复用则写入外部长期记忆（如向量库），下次遇到相似任务时检索相关反思注入 prompt。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。