学习 Reflexion 论文

一、引言

最近在学习 AI Agent 相关技术时，经常会看到一个词——Reflection（反思）。

一开始我有些疑惑：大语言模型不是已经很强了吗？为什么还需要“反思”？

随着学习的深入，我发现传统 Agent 虽然能够完成任务、调用工具和进行推理，但有一个明显的问题：同样的错误可能会反复出现。 即使任务失败了，模型也很难真正从失败中总结经验，并在下一次尝试时避免犯同样的错误。

而 Reflexion 这篇发表于 2023 年的经典论文，正是针对这个问题提出了解决方案。它的核心思想非常简单：让 Agent 像人一样，在任务结束后总结经验，并将这些经验保存下来，在后续任务中参考使用。

虽然今天很多 Agent 框架已经默认具备记忆和反思能力，但 Reflexion 仍然是理解 Agent 学习机制和记忆机制的一篇重要论文。本文将结合自己的学习过程，对 Reflexion 的核心思想、实现方法以及实验结果进行梳理和总结。

二、简介

三、与传统RL的区别

好的地方在于：

四、三种测试任务

decision-making

五、与其他工作相比

代码方面的工作对比：

六、reflexion 框架

七、实验测试

左边是成功率，右边是幻觉。

一些概念理解