Agentic RAG 的自我反思机制是如何运作的？

1. 反思的核心流程

自我反思（Self-Reflection）是 Agentic RAG 区别于传统 RAG 的关键能力之一，其运作遵循 ReAct（Reasoning + Acting）模式：

• 推理（Reasoning）：智能体分析当前状态——已获取了什么信息、还缺少什么、存在哪些矛盾
• 行动（Acting）：基于推理结果执行下一步操作——发起新检索、改写查询或调用工具
• 观察（Observation）：评估行动结果，将新信息纳入工作记忆
• 循环判断：判断是否需要继续迭代，或已满足终止条件

2. 反思的触发时机

智能体在以下关键节点触发反思：

• 检索后评估：每次检索完成后，评估结果的相关性和充分性
• 答案草稿验证：生成初步答案后，检查每个声明是否有上下文支撑
• 矛盾检测：当发现不同来源的信息存在冲突时，触发验证性检索
• 置信度评估：当模型对答案的置信度低于阈值时，触发补充检索

3. 反思的质量保障

为确保反思机制本身的可靠性：

• 结构化输出：要求智能体以结构化格式（如 JSON）输出评估结果，包含"是否充分""缺失信息""下一步动作"等字段
• 置信度阈值：设置明确的置信度阈值（如 0.85），低于阈值时强制触发再检索
• 失败封闭（Fail Closed）：当评估器无法做出明确判断时，默认触发再检索而非直接输出