15. 讲讲 Agent 的反思机制为什么要用反思具体怎么实现面试官Agent 的反思机制你了解吗怎么实现的♂️我了解就是让 LLM 对输出不满意的时候再重新生成一次多试几次输出质量就会提升。面试官「再生成一次」和「反思后改进」是两回事。反思不是随机重试你知道两者的本质区别在哪吗’♂️我反思……就是让 LLM 看看自己输出有没有问题然后再改一下面试官说对了一半。关键是「评估」这一步要怎么设计。你直接让 LLM「看看有没有问题」它往往会说「输出看起来不错」什么都发现不了。评估 prompt 里有一个最重要的设计你知道是什么吗♂️我给出明确的检查维度比如逻辑、完整性、事实准确性这样它才有针对性地检查面试官对还有一个同样重要必须有「PASS」机制给 LLM 一个「够好了就停」的出口。没有这个它会无限挑毛病反而把原本对的东西改错。那你说说反思的轮次该怎么控制被问到这里才意识到反思机制是一个有完整设计的闭环每个细节都有原因。来系统梳理一遍。-简要回答反思机制我的理解是让 Agent 在完成一个步骤或整个任务后自我评估输出质量判断有没有问题不达标就重试或调整策略。用反思的原因是 LLM 第一次输出不一定是最优的加一轮自我检查能显著提升质量相当于人写完东西自己再看一遍。代价是多至少一次 LLM 调用token 消耗和延迟都会增加所以我在工程里通常只在质量要求高的关键节点启用反思不是每步都做。-详细解析先从一个日常经验说起你写完一篇文章扔到一边过半小时再拿回来读往往能发现一堆之前没注意到的问题某个句子逻辑跳跃了、某个论点没有支撑、某段话写得不够清楚。改完之后文章质量明显提升。LLM 也面临同样的问题。它每次生成输出本质上是在「一口气」完成的没有机会停下来检查。第一次输出常见的毛病有这几类逻辑跳跃推理步骤不完整中间少了关键推断、遗漏细节任务里要求了某些点但没有全部覆盖到、事实错误模型幻觉导致的错误信息、表达含糊意思到了但说得不清晰。这些问题如果给 LLM 一个「回头检查」的机会它自己是有能力发现并修正的。反思机制就是给它加上这个环节。核心循环-生成-评估-改进反思机制的核心思路来自 Self-Refine 论文Madaan 等人 2023 年提出整个流程就是「生成 - 评估 - 改进」的循环。你可以用「草稿 - 批阅 - 修改」来类比学生交出草稿生成老师批阅指出问题评估学生拿着批注修改改进改完的稿子再经过老师审阅直到通过为止。这个循环靠两个 prompt 来驱动。第一个负责评估让 LLM 扮演「检查者」的角色专门去找问题任务{task} 当前输出 {current_output} 请评估以上输出 1. 有没有事实错误或逻辑问题 2. 有没有遗漏重要内容 3. 表达是否清晰准确 如果输出已经足够好回复「PASS」 否则指出具体问题并给出改进建议。这个评估 prompt 的设计有几个值得注意的地方。首先它给出了明确的检查维度事实、逻辑、完整性、表达而不是让 LLM 自由发挥。这很重要没有方向的评估往往流于表面LLM 可能只是说「输出看起来不错」没有真正找到问题。给出具体维度它才会有针对性地逐项审查。其次「PASS」机制是必须有的这是给 LLM 一个「足够好就停」的出口。如果没有这个机制LLM 为了反思而反思可能对一个已经很好的输出挑不必要的小毛病反而把原本对的东西改错。如果评估结果不是 PASS就把评估意见喂进第二个改进 prompt原始任务{task} 当前输出{current_output} 评估意见{reflection} 请根据评估意见改进输出改进 prompt 有一个关键点它同时传入了原始任务、原始输出、评估意见这三样东西缺任何一个都会让改进变得盲目。只有任务没有原始输出LLM 不知道在什么基础上改只有原始输出没有评估意见LLM 不知道改哪里只有评估意见没有任务LLM 可能改着改着偏离了原始目标。三者都在它才能有针对性地修改而不是把内容全部重写一遍。两个 prompt 循环调用直到 LLM 自己回复 PASS或者超过最大轮次强制退出整个外层逻辑不过是一个普通的 for 循环。两个粒度步骤级 vs 任务级反思可以在两个粒度上触发它们有不同的适用场景代价也不一样选哪种需要根据任务特点来判断。步骤级反思是在每个工具调用或推理步骤完成后立即检查。它的好处是错误早发现早纠正不会让一个小错误在后续步骤里层层放大。想象一下 Agent 在做多步信息检索第一步选了一个不精准的搜索关键词后续所有步骤都在错误的信息上继续到最后才发现前面的工作全废了。步骤级反思能在第一步就发现关键词的问题马上纠正后续步骤都建立在正确基础上。适合这种粒度的场景是步骤之间强依赖、前一步错了后面会全错的任务。代价是每一步都多一次 LLM 调用整体延迟和 token 消耗会大幅增加一个 10 步的任务可能实际要调用 20 次 LLM。任务级反思是整个任务执行完之后做一次整体评估。好处是开销更小整个任务只多一次 LLM 调用而且从整体视角审视能发现步骤级看不到的问题各个步骤单独看都是对的但整体结论前后矛盾或者各部分之间衔接不自然这种问题只有从整体视角才能看出来。代价是如果任务中途某步出了大问题到最后才发现前面的执行都已经浪费了。适合步骤之间相对独立、最终输出的整体质量更重要的场景比如生成一份报告。多-agent-互评-为什么「他人审视」比「自我检查」更好除了单 Agent 的自我反思还有一种效果通常更好的方式多 Agent 互评专门设置一个独立的 Critic Agent让它来审查执行 Agent 的输出。为什么独立的审查比自我反思效果更好你可以类比代码 review 的场景一个人写完代码自己检查和让同事来 review发现的问题质量往往不一样。自己写的东西自己看容易「视觉疲劳」会不自觉地补脑跳过问题潜意识里倾向于认为自己的逻辑是正确的。在 LLM 里同样如此单 Agent 自我反思时评估者和生成者是同一个模型它在生成输出时形成的一套「内部逻辑」做评估时也会沿用这套逻辑对自己输出的错误不够敏感容易陷入「自洽」。而独立的 Critic Agent 没有这种包袱它的唯一职责就是「找问题」视角更客观更容易发现执行 Agent 自己看不出来的漏洞。互评的具体流程是执行 Agent 生成输出Critic Agent 审查并给出具体批注执行 Agent 根据批注修改Critic Agent 再次确认。什么时候值得用这种方式质量要求非常高的场景比如生成代码后让独立的测试 Agent 来验证、生成分析报告后让事实核查 Agent 交叉验证。代价是又多一个 Agent 的调用成本系统复杂度也更高所以并不是所有场景都需要互评普通场景用自我反思就够了。进阶Reflexion 和 LATS把反思做得更深前面讲的 Self-Refine 是最基础的反思模式学术界在此基础上还有更进一步的探索了解这些能帮你在面试里展现更深的理解。第一个是 ReflexionShinn 等人 2023 年提出和 Self-Refine 是同年的工作这篇论文的核心思路是不仅让 Agent 反思当前输出的质量还要让它把「失败经验」存下来下次遇到类似任务时直接参考避免重蹈覆辙。这里的类似通常通过把经验记忆塞到当前任务的上下文里让 LLM 自己在生成时参考而不是靠严格的相似度匹配去检索。你可以理解成 Self-Refine 是「写完作文当场改」Reflexion 是「把这次犯的错记在笔记本上下次写作文之前先翻一遍笔记」。Reflexion 引入了一个「经验记忆」的概念每次反思产生的教训会被存储起来作为后续任务的参考上下文。这个思路在需要重复执行类似任务的场景里特别有价值比如一个代码生成 Agent第一次写出了有 bug 的代码反思后不仅修好了这次的 bug还把「这类 bug 的成因和避免方法」记下来下次生成类似代码时就不太容易犯同样的错。第二个是 LATSLanguage Agent Tree SearchZhou 等人 2024 年提出它把反思和树搜索结合了起来。前面讲规划能力时提到过 ToT思维树LATS 的思路是把蒙特卡洛树搜索MCTS和反思结合起来通过 MCTS 同时探索多条路径每条路径执行之后都会做评估和反思反思结果作为经验反馈给后续的路径探索。这样一来Agent 不仅能同时探索多条路径还能从已经走过的路径里学到教训让后续的探索更有针对性。代价当然也更大既有多路径的成本又有反思的成本目前主要还是学术研究场景还没看到成熟的生产级实现。还有一种思路叫辩论式反思不是让一个 Agent 自己审查自己而是让多个 Agent 互相辩论。比如设置一个「正方 Agent」和一个「反方 Agent」正方提出一个方案反方专门挑毛病、提反对意见正方再针对反对意见优化方案。这种对抗式的反思比单方面审查更能暴露深层问题因为反方的「职责」就是找漏洞它会比一个只是「检查一下有没有问题」的 Critic Agent 更积极地挖掘问题。工程上偶尔会在高质量要求的场景里用到这个模式比如重要的商业决策分析、法律文本审查等。工程权衡-怎么用才合理理解了反思机制的原理和进阶方案之后还需要知道工程上怎么合理地用它不然反而会让系统变慢、变贵、甚至陷入死循环。什么场景值得开反思输出质量要求高、错误代价大的关键节点比如最终报告生成、重要决策的推理过程以及任务比较复杂、LLM 容易遗漏细节的场景这些是反思最能发挥价值的地方。什么场景不值得开简单直接的任务比如格式转换、简单问答加反思纯粹是浪费。实时性要求高的场景也一样一次反思至少多一次完整的 LLM 调用延迟可能从 1 秒涨到 3 秒有些应用场景根本接受不了。最重要的是防死循环必须设最大轮次通常设 2-3 轮绝对不能依赖 LLM 自己判断停止。原因是 LLM 有时会陷入「为了改而改」的循环每次评估都觉得还有地方能优化改完又有新的「问题」每轮改动都很小但实质没有进步系统就一直在转圈。硬性的轮次上限是唯一可靠的退出机制。最后要对整体代价有清醒认知每轮反思包含一次评估和一次改进3 轮反思意味着在原始生成之外额外增加 6 次 LLM 调用延迟和成本都会大幅增加这是工程上做取舍的核心数字。反思是提升质量的有效手段但不是免费的用在刀刃上才有价值不是每步都做。面试总结回顾开头踩的雷把反思说成「不满意就重新生成」是最常见的误区这说明没有理解反思机制的核心它是「生成 - 评估 - 改进」的有结构的闭环不是随机重试。答好这道题有几个要点。首先要说清楚反思的闭环结构两个 prompt 各司其职评估 prompt 专门找问题改进 prompt 结合原始任务和批注做定向修改缺任何一个环节都会失效。其次评估 prompt 的两个关键设计要能说出来给出具体检查维度以及设置「PASS」出口否则 LLM 要么流于表面、要么无限挑毛病。第三步骤级和任务级反思的区别很容易被忽略前者错误发现得早但开销大后者能看到整体问题但前期做的无效工作难以挽回要根据任务特点选择。第四最容易被遗漏的工程要点是防死循环必须硬性设置最大轮次2-3轮不能依赖 LLM 自己停止。最后如果能提到多 Agent 互评比自我反思效果更好并说出原因同一模型对自己的输出有「自洽」偏见会是一个加分点。
