Agent 框架中的反思与自我修正机制是如何实现的？

1. 内在反思

内在反思指 Agent 仅依靠自身模型权重和提示词来评估和改进输出质量。最简单的形式是在提示词中加入"在最终确定之前，请检查你的答案是否有错误"这样的指令。然而研究表明，当生成器和评估器是同一个模型时，它们共享系统性盲区，内在反思对深层推理错误的修正效果有限。

2. 基于执行的反思

更可靠的反思机制依赖于外部环境提供的反馈信号。例如在代码生成场景中，单元测试的通过与否提供了客观的正确性判断；在数据查询场景中，可以通过二次查询来验证第一次的结果。这种基于执行的反思将评判权交给独立于模型的环境，有效突破了内在反思的相关性误差瓶颈。

3. 过程奖励模型

过程奖励模型（PRM）代表了一种更精细的自我修正方法：不是只评估最终输出，而是对推理链中的每一步都进行打分。这样可以在错误发生的早期就检测到偏差并纠正方向，而不是等到最终结果出来才发现整体失败。PRM 通常需要额外的训练数据来学习如何评判中间步骤的质量。

4. 多 Agent 辩论

通过引入多个具有不同视角的 Agent 相互审查对方的推理过程，可以模拟人类团队中的同行评审机制。一个 Agent 生成方案，另一个 Agent 扮演批评者角色寻找漏洞，必要时还可以引入第三个 Agent 作为仲裁者。这种多角色设置增加了发现错误的概率，尤其适用于高风险决策场景。