1. 从零构建大模型智能体:Basic Reflection 生成器和反思器互怼
最近在探索如何提升大语言模型(LLM)输出质量时,发现了一种简单却有效的技术——Basic Reflection(基础反思)。这种技术不需要复杂的工具调用,仅通过模型自身的反思能力就能显著提升回答的准确性和完整性。今天就来详细拆解这个技术的实现原理和实战应用。
Basic Reflection 的核心思想是让 LLM 像人类一样,通过自我审视和修正来提升输出质量。想象一下,当你写完一篇文章后,会先自己检查一遍,找出问题并修改,这个过程就是反思。LLM 也可以通过类似的机制来优化自己的输出。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. Basic Reflection 核心架构解析
2.1 双组件协作机制
Basic Reflection 主要包含两个核心组件:
- 生成器(Generator):负责直接回答用户的问题
- 反思器(Reflector):扮演严格评审的角色,评估生成器的回答质量
这两个组件会形成一个闭环反馈系统:
- 生成器先给出初始回答
- 反思器评估回答并提出改进建议
- 生成器根据建议修改回答
- 循环往复,直到回答通过反思器的审核或达到最大迭代次数
提示:在实际实现中,建议让反思器使用比生成器更强大的模型,这样能获得更准确的评估反馈。
2.2 生成器实现细节
生成器的核心功能很简单:基于模型的内部知识直接回答用户问题。以下是典型的实现代码:
python复制DEFAULT_GENERATE_PROMPT = """You are a helpful assistant. Answer the user task as accurately as possible.
Output only the answer to the user task.
## Conversation History
{history}
"""
def _generate(self, user_input: str) -> str:
messages = [
Message.system(
DEFAULT_GENERATE_PROMPT.format(history=self.format_history())
),
Message.user(user_input),
]
result = self.llm.generate(messages).content or ""
return result
关键点说明:
- 提示词明确要求只输出答案,不要多余的解释
- 可以接入历史对话使上下文更连贯
- 实现简单直接,不做任何额外处理
2.3 反思器设计与实现
反思器的设计更为复
