Reflexion 框架的主要局限性有哪些？

1. 评估器依赖性强

Reflexion 的效果高度依赖于 Evaluator 的质量。当评估信号模糊或不可靠时，反思可能基于错误的归因而误导后续尝试。MBPP 基准上的性能下降（从 80.1% 降至 77.1%）就是一个典型案例——智能体生成的单元测试存在较高假阳性率，导致其过早判定尝试成功。

2. 反思幻觉风险

当底层模型缺乏足够的领域知识来区分正确与错误时，可能产生"幻觉式改进"——智能体自信地诊断出一个不存在的错误原因，并在下一轮中应用无效的修正方案。这种情况在模型能力低于 GPT-4 级别时尤为明显，starchat-beta 的实验结果显示其使用 Reflexion 后相对基线没有任何提升。

3. 不适用于开放型任务

对于缺乏明确验证信号的任务（如创意写作、开放式研究探索），反思容易退化为空洞的套话，无法提供可执行的改进指导。WebShop 任务的失败也印证了这一点——当失败模式是"在庞大搜索空间中探索了错误区域"时，告诉智能体"下次尝试不同的搜索词"并不能有效收敛。

4. 非真正的永久学习

Reflexion 不会改变模型权重，所有学到的内容仅存在于当前会话的上下文窗口中。一旦会话结束，积累的反思记忆即告丢失。要实现跨会话的持续学习，必须借助外部持久化存储机制。

5. 2026 年最新研究发现的局限

两项 2026 年的独立研究对 Reflexion 的实际表现提出了更审慎的评估：

• 乐观估计警告（Simhadri, ACL 2026）：原始论文报告的 Token 成本和准确率均为"乐观下界"——实验中使用了真实标签来停止重试，而实际部署中没有真实标签可用，准确率和成本都会显著偏离论文数据
• 压力测试表现下降（ReliabilityBench, arXiv 2601.06112）：在语义扰动等压力条件下，Reflexion 的表现下降幅度（约 10 个百分点）大于更简单的 ReAct 基线（约 7.5 个百分点），原因是反思循环本身在模型不确定时会成为振荡源