Reflexion
一种AI Agent能力层次，使模型能够对自身输出进行自我评估和反思修正，通过内部审查机制提高任务完成质量
核心事实
时间轴 (近 90 天)
反思型智能体（Reflexion）让模型在每次任务结束后生成自我评估报告并将经验写入记忆供后续参考
反思型智能体（Reflexion）和树形搜索（Tree-of-Thought）等架构旨在多步推理中引入系统性的回溯与验证能力
RACER 的反思循环设计借鉴了 ReAct、Reflexion 等框架中的自我审视机制
MemGPT、Reflexion 等研究发现让 Agent 在任务结束后显式生成经验总结并写回记忆能显著提升跨任务迁移能力
当前 LLM 驱动的 RSI 实践依赖模型的代码生成与自我批评能力，典型代表包括 AlphaCode 的迭代修复流程以及 Reflexion 论文所描述的 reflection 机制
反思（Reflection）机制的思路源自 Shinn 等人 2023 年的论文《Reflexion》
反思型（Reflexion）架构对token消耗最为敏感，自我评估循环可能带来数倍成本增长，建议仅在对结果准确性有严格要求的场景启用并设置最大反思轮次上限
Reflexion 机制的局限在于反思内容随上下文窗口滚动而消失，本质上仍是短期的
业界通常将Agent能力分为几个层次：单步指令执行（Tool Use）、多步规划执行（ReAct/Plan-and-Execute）、自主反思修正（Reflexion）以及多Agent协作
目前主流的LLM智能体架构主要分为基于提示工程的方法（如ReAct、Reflexion）和基于强化学习的方法两类
还有 7 条时间轴事件
全部知识事实 (20)
Reflexion或Self-Refine机制由Shinn等人在2023年的论文中系统化提出
65%待验证LLM-based Agent可以通过自然语言反思在极少次尝试中实现策略优化，这被学术界称为'反思型Agent'（Reflexion）架构
85%待验证AI自我反思机制最早由Shinn等人在2023年提出的Reflexion框架中系统化阐述
85%待验证2023年Noah Shinn等人提出的Reflexion框架首次系统化地论证了让LLM反思自身输出并迭代改进的有效性
85%待验证斯坦福大学2023年发布了Reflexion框架，通过语言反馈而非梯度更新来实现Agent的学习
85%待验证在Reflexion框架的编程任务中，加入自我反思循环后代码通过率从67%提升到了91%
80%待验证Reflexion机制已被证明能显著提升Agent在复杂任务中的成功率，部分实验显示成功率提升可达20%-30%
75%待验证ReAct范式衍生出Reflexion、LATS、Plan-and-Execute等变体
60%待验证Reflexion机制让Agent在失败后生成自然语言形式的经验总结并在后续决策中参考
60%待验证反思型智能体（Reflexion）让模型在每次任务结束后生成自我评估报告并将经验写入记忆供后续参考
50%待验证反思型智能体（Reflexion）和树形搜索（Tree-of-Thought）等架构旨在多步推理中引入系统性的回溯与验证能力
50%待验证RACER 的反思循环设计借鉴了 ReAct、Reflexion 等框架中的自我审视机制
50%待验证MemGPT、Reflexion 等研究发现让 Agent 在任务结束后显式生成经验总结并写回记忆能显著提升跨任务迁移能力
50%待验证当前 LLM 驱动的 RSI 实践依赖模型的代码生成与自我批评能力，典型代表包括 AlphaCode 的迭代修复流程以及 Reflexion 论文所描述的 reflection 机制
50%待验证反思（Reflection）机制的思路源自 Shinn 等人 2023 年的论文《Reflexion》
50%待验证反思型（Reflexion）架构对token消耗最为敏感，自我评估循环可能带来数倍成本增长，建议仅在对结果准确性有严格要求的场景启用并设置最大反思轮次上限
50%待验证Reflexion 机制的局限在于反思内容随上下文窗口滚动而消失，本质上仍是短期的
50%待验证业界通常将Agent能力分为几个层次：单步指令执行（Tool Use）、多步规划执行（ReAct/Plan-and-Execute）、自主反思修正（Reflexion）以及多Agent协作
50%待验证目前主流的LLM智能体架构主要分为基于提示工程的方法（如ReAct、Reflexion）和基于强化学习的方法两类
50%待验证反思式提示进化的核心机制是让LLM执行任务后根据结果生成自然语言反思并反馈到提示词形成迭代优化循环，代表性工作包括APE、EvoPrompt和Reflexion
50%