自我反思与自我纠错

模型第一次尝试给出的东西——一段代码、一份计划、一段文字——不一定就是最好的版本。自我反思说的是让智能体（或者同一个智能体的另一轮处理）回头看看自己刚产出或做过的事，判断它是不是真的满足了目标或达到了某个质量标准，如果没有就修正，然后再继续或者交出结果。

这可以简单到只是让模型对照最初的需求批评一下自己写的草稿，也可以更进一步，把产出放到真实的检验环境里跑一遍——比如让生成的代码去跑一遍测试套件——把失败的地方当作要修的问题喂回去。后一种做法因为有测试结果、报错信息这类真实信号做依据，通常比单纯让模型重新读一遍自己的输出去评判要可靠，因为模型自己重新读一遍很可能还是看不出第一次就犯的错。

自我反思是有代价的——多一轮评估，有时候还得多生成一遍——所以一般是有选择地用：用在『做对比做快更重要』的产出上，或者是在出现了某个信号（比如测试失败、报错）明确表明有问题需要修的时候，而不是每采取一次动作就反思一次。

怎么运作

图中的循环——行动、评估、修正——会一直重复，直到产出通过评估或者达到重试上限：智能体先采取一个动作或产出一个结果，按某种标准（可能是再调一次模型、跑一遍测试、或者一条校验规则）来评估它，如果不达标就修正后再试一次。这是在通用 agent-loop（智能体循环）基础上加的一道专门检查——本质上是在『行动』和『进入下一步』之间插入的一道额外把关。

举个例子

一个被要求实现某个函数的编程智能体，可能先写出一个初版，跑一遍已有的测试套件（评估这一步），发现两个测试没通过，于是修改实现去覆盖这两个测试对应的情况——如此重复，直到测试通过，或者它判断自己不该再瞎猜、该找人帮忙为止。

和相关概念的区别

常见误解

常见问题