AI Agent 工作流不是让大模型直接生成最终输出，而是多次提示 LLM，使其有机会逐步构建更高质量的输出。接下来，将重点讨论一下 Reflection（反思）。对于实现相对较快的设计模式，已经看到它带来了令人惊讶的性能提升。

我们可能都有过这样的经历：给 ChatGPT/Claude/Gemini 提示词，收到不满意的输出、提供关键反馈以帮助 LLM 改进其响应，然后获得更好的响应的经历。如果使用自动执行提供关键反馈的步骤，让 LLM 自动批评自己的输出并改进其响应，结果会怎样？这就是 Reflection 的关键所在。

要求大模型编写代码任务为例。我们可以提示它直接生成所需的代码来执行某个任务 X。之后，我们可以提示它反思自己的输出，如下所示：

以下是任务 X 的代码：[之前生成的代码]

仔细检查代码的正确性、风格和效率，并对如何改进它提出建设性的批评。

有时这会使 LLM 发现问题并提出建设性建议。接下来，我们可以用上下文提示 LLM，包括 (i) 先前生成的代码和 (ii) 建设性反馈以及 (iii) 要求它使用反馈来重写代码。这可以带来更好的响应。重复批评/重写过程可能会产生进一步的改进。这种自我反思过程使 LLM 能够发现差距并改善其在各种任务上的输出，包括生成代码，编写文本和回答问题等。

我们可以通过给 LLM 提供工具来帮助评估其产出，从而超越自我反思。比如：通过一些单元测试来运行它的代码，以检查它是否在测试用例上生成正确的结果，或者通过 Web Browser 搜索网页以检查文本输出。然后，它可以反思它发现的任何错误，并提出改进的想法。

此外，我们可以使用 Multi-Agent 框架实现 Reflection。我发现创建两个不同的 Agent 很方便，一个用于提示 LLM 生成良好的输出，另一个提示对第一个 Agent 的输出给出建设性的批评。两个 Agent 之间的讨论推动了改进的响应。

Reflection 是一种相对基本的 Agent 工作流类型，但它在一些情况下改善了应用程序的结果。我希望你能在自己的工作中尝试这一设计模式。如果你有兴趣了解更多关 于Reflection 的知识，推荐这些论文:

• “Self-Refine: Iterative Refinement with Self-Feedback,” Madaan et al., 2023 (https://arxiv.org/pdf/2303.17651.pdf)
• “Reflexion: Language Agents with Verbal Reinforcement Learning,” Shinn et al., 2023 (https://arxiv.org/pdf/2303.11366.pdf)
• “CRITIC: Large Language Models Can Self-Correct with Tool-Interactive Critiquing,” Gou et al., 2024 (https://arxiv.org/pdf/2305.11738.pdf)

后续将讨论 AI Agent 其他的设计模式。