深度解析智能体 Reflection 模式：自我反思与迭代优化的实用指南

先明确几个核心观点：在当前大模型应用实践中，如何让 AI 输出更优质的成果，始终是开发者关注的焦点。Reflection 模式便是一套行之有效的策略——其底层逻辑十分朴素，只是将人类“自己检查作业”的习惯，赋予智能体来执行。

那么，这种模式究竟如何运作？为何能显著提升输出质量？从工程架构到落地细节，我们逐步拆解。

一、什么是 Reflection 模式？

Reflection 模式是一种让 AI 智能体具备自我审视与迭代优化能力的经典设计范式。它的核心理念源自人类解决问题的思维方式：当我们给出一个答案后，往往会反思其正确性与完整性，然后针对性地改进，直到满意为止。

核心流程

Reflection 模式将这一过程抽象为三个关键步骤的循环：

┌─────────────────────────────────────────────────────────────┐
│                                                             │
│   Generate（生成）                                           │
│     ↓                                                        │
│   Reflect（反思）──→ 满意？──→ YES ──→ 输出最终答案            │
│     ↓                                    │                   │
│   Refine（改进）                          NO                  │
│     ↓                                                        │
│     ←──────────────┘                                         │
│                                                             │
└─────────────────────────────────────────────────────────────┘

这里涉及三个核心角色：

二、为什么需要 Reflection 模式？

直接让 LLM 一次性回答问题，看似高效，实则存在诸多隐患。比如答案可能不够完整——模型遗漏关键信息；逻辑上可能存在漏洞——复杂推理链条容易断裂；表达也可能不够清晰，文章结构组织得较为随意。更关键的是，模型缺乏自我纠错能力，即便意识到错误，也无法自动修正。

引入反思机制之后，情况大为改观。智能体能够自我审视，主动发现答案中的缺陷；可以针对性地改进，而非盲目重试；通过设定满意度标准，输出质量完全可控；还能通过最大迭代次数的限制，避免陷入无限循环。这套机制的核心优势，归根结底就是四个字：质量可控。

三、核心设计详解

逐点拆解三个核心角色的设计思路。

3.1 Generator（生成器）

生成器负责产出答案，需要明确的任务定位（问答专家、代码专家、写作专家），清晰的输出要求（准确、完整、结构化），以及适当的风格约束（简洁或详细）。

示例：

const GENERATOR_PROMPT = `你是一个专业的问题解答专家。请针对用户的问题给出高质量的答案。## 要求：- 答案要准确、清晰、完整- 结构要条理分明- 如果有多个要点，请分条列出- 语言要简洁有力，避免冗余## 输出格式：直接给出你的答案，不需要任何额外解释。请开始回答：`;

3.2 Reflector（反思者）

反思者是整个模式的核心，需要从多个维度评估答案质量。主要检查的维度包括：准确性（有无事实错误或逻辑漏洞？）、完整性（是否全面覆盖问题？）、清晰度（是否易于理解？）、结构（组织是否合理？层次分明吗？）、实用性（是否解决了实际需求？）。

示例：

const REFLECTOR_PROMPT = `你是一个严格的答案审查专家。请审视给定的答案，找出其中的不足之处。## 审查维度：1. **准确性**：答案是否正确？有没有事实错误或逻辑漏洞？2. **完整性**：答案是否全面覆盖了问题？有没有遗漏的重要信息？3. **清晰度**：答案是否易于理解？表达是否清晰？4. **结构**：答案的组织是否合理？层次是否分明？5. **实用性**：答案是否解决了用户的实际需求？## 输出格式：如果答案已经非常优秀，输出：SATISFIED如果需要改进，输出：CRITIQUE: [具体的问题和不足]SUGGESTION: [具体的改进建议]`;

3.3 Refiner（改进者）

改进者根据反思意见进行针对性优化。它需要针对审查中指出的问题逐一改进，同时保留答案中正确的部分，避免引入新问题。最终输出的改进版答案应更加准确、完整、清晰。

const REFINE_PROMPT = `你是一个答案改进专家。请根据审查意见优化之前的答案。## 原始问题：{question}## 当前答案：{current_answer}## 审查意见：{critique}## 改进建议：{suggestion}## 要求：- 针对审查中指出的问题逐一改进- 保留答案中正确的部分- 不要引入新的问题- 改进后的答案要更加准确、完整、清晰请输出改进后的答案：`;

四、Node.js 完整实现

接下来是具体的代码实现。本部分围绕一个核心类展开。

4.1 智能体类设计

class ReflectionAgent {
    /**
     * @param {Object} llm - LLM 客户端实例
     * @param {Object} options - 配置选项
     * @param {number} options.maxIterations - 最大反思轮数（默认3）
     * @param {string} options.taskType - 任务类型（qa/code/writing/math）
     */
    constructor(llm, options = {}) {
        this.llm = llm;
        this.maxIterations = options.maxIterations || 3;
        this.taskType = options.taskType || 'qa';
        // 根据任务类型定制提示词
        this.customizePrompts(this.taskType);
    }

    /**
     * 根据任务类型定制提示词
     */
    customizePrompts(taskType) {
        const taskConfigs = {
            'qa': {
                generatorExtra: '回答要准确、简洁，直击问题核心。',
                reflectorExtra: '重点检查答案的准确性、完整性和实用性。'
            },
            'code': {
                generatorExtra: '代码要清晰、高效，遵循最佳实践，包含必要的注释。',
                reflectorExtra: '重点检查：语法正确性、逻辑完整性、边界处理、性能优化、代码风格。'
            },
            'writing': {
                generatorExtra: '文章要结构清晰、语言流畅、观点明确。',
                reflectorExtra: '重点检查：逻辑连贯性、表达清晰度、论据充分性、文笔质量。'
            },
            'math': {
                generatorExtra: '解题步骤要清晰完整，每一步都要有依据。',
                reflectorExtra: '重点检查：计算正确性、步骤完整性、逻辑严密性。'
            }
        };

        const config = taskConfigs[taskType] || taskConfigs['qa'];
        this.generatorPrompt = GENERATOR_PROMPT + '\n' + config.generatorExtra;
        this.reflectorPrompt = REFLECTOR_PROMPT + '\n' + config.reflectorExtra;
    }
}

4.2 核心方法实现

先看生成方法：

/**
 * 生成初始答案
 */
async generate(question) {
    console.log('