在hen多项目里小王常常会抱怨：“它Neng跑通，但结果时好时坏。尤其是写代码、方案、时第一版总是差强人意。”这句话恰如一面镜子，映射出当前 LLM‑Agent 的Zui大短板——缺少“反思”和“再加工”。本文将从零搭建一个Neng够主动审查、纠错、优化的 ReflectionAgent，帮助你把“Neng跑”提升为“高质量”。

传统的 ReAct框架往往遵循「收到任务 → 直接生成答案 → 完事」的直线流程。虽然这种模式在简单查询上表现不错，却在需要严谨推理或代码生成的场景里频繁出现「答案半成品」的尴尬。

人类处理复杂任务时并非一次成稿，而是：

先写草稿；

审视自己的表达是否符合需求；

根据发现的问题进行修改；

循环往复直至满意。

把这套「先Zuo，再审，再改」的闭环移植到 LLM 中，就是我们所说的「自我迭代」或「Reflection」。有了它，Agent Neng在生成答案后主动检查是否漏掉关键细节、是否存在逻辑漏洞，从而实现持续提升。

reflection-agent-demo/
├── package.json
├── tsconfig.json
├── .env
└── src/
    ├── shared/
    │   └── llm.ts
    ├── reflection/
    │   ├── memory.ts
    │   ├── prompts.ts
    │   └── agent.ts
    └── index.ts

下面我们一步步拆解每个文件的作用，并配合实际代码演示。

{
  "name": "reflection-agent-demo",
  "version": "1.0.0",
  "private": true,
  "scripts": {
    "dev": "ts-node src/index.ts",
    "build": "tsc"
  },
  "dependencies": {
    "dotenv": "^16.4.5",
    "openai": "^4.27.0"
  },
  "devDependencies": {
    "@types/node": "^20.12.5",
    "ts-node": "^10.9.2",
    "typescript": "^5.4.2"
  }
}

把依赖装好后执行 npm install 即可。

{
  "compilerOptions": {
    "target": "ES2022",
    "module": "CommonJS",
    "moduleResolution": "node",
    "lib": ,
    "strict": true,
    "esModuleInterop": true,
    "skipLibCheck": true,
    "resolveJsonModule": true,
    "types": 
  },
  "include": ,
  "exclude": 
}

LLM_API_KEY="在这里填入你的 OpenAI Key"
LLM_MODEL_ID="gpt-4o-mini"
LLM_BASE_URL="https://api.openai.com/v1"

// src/shared/llm.ts
import 'dotenv/config';
import OpenAI from 'openai';
import type { ChatCompletionMessageParam } from 'openai/resources/chat/completions';
export interface LLMOptions {
  model?: string;
  apiKey?: string;
  baseUrl?: string;
  timeout?: number;
}
export class HelloAgentsLLM {
  private readonly client: OpenAI;
  private readonly model: string;
  constructor {
      const apiKey = opts.apiKey ?? process.env.LLM_API_KEY;
      const baseUrl = opts.baseUrl ?? process.env.LLM_BASE_URL;
      if  {
          throw new Error;
      }
      this.model = opts.model ?? process.env.LLM_MODEL_ID ?? 'gpt-4o-mini';
      this.client = new OpenAI({
          apiKey,
          baseURL: baseUrl,
          timeout: opts.timeout ?? 60_000,
      });
  }
  async think: Promise {
      const resp = await this.client.chat.completions.create({
          model: this.model,
          messages,
          temperature,
      });
      return resp?.choices?.?.message?.content ?? '';
  }
}

这样，无论是执行任务还是进行反思，dou只需要调用 HelloAgentsLLM.think 一句。

flowchart LR
E --> R
R --> F
F --> R
R --> D

Execution阶段： Agent 接收到用户指令后用 LLM 给出第一版答案。

Reflection阶段： 把刚才得到的内容当作新输入，询问模型 “这段回答有没有遗漏关键点？”、“逻辑是否连贯？”等，引导模型自评。

Refinement阶段： 根据自评返回的信息，对原始答案进行二次编辑或补充，然后回到审查环节，如此循环直至满足预设标准。

PROMPT TEMPLATE #1 – 检查清单：

请对以下回答进行逐项核对：
1️⃣ 是否完整覆盖用户需求？
2️⃣ 是否出现事实错误或代码语法错误？
3️⃣ 表达是否简洁且易懂？
请用 “✅ 完整 / ❌ 缺失” 的格式列出检查结果，并给出对应修改建议。

text
{answer}
返回时仅包含检查表，不要额外解释。

PROMPT TEMPLATE #2 – 自然语言修正：

基于上面的检查结果，请重新组织答案，使其满足所有 ✅ 项，并解决 ❌ 项。保持原有结构，只在必要处添加或删减文字。

text
{answer}
返回完整文本。

以上两段提示Ke以分别放进「审查」与「改进」两个子函数中，实现全自动循环。

// src/reflection/memory.ts
export interface MemoryItem {
   role: 'user' | 'assistant';
   content: string;
}
export class SimpleMemory {
   private history: MemoryItem = ;
   add { this.history.push; }
   getAll: MemoryItem { return ; }
   clear { this.history = ; }
}

// src/reflection/prompts.ts
export const CHECK_PROMPT =  => `
请对以下内容进行完整性与正确性检查，用 ✅ / ❌ 标记，并给出简短修改建议。
${answer}
`;
export const REWRITE_PROMPT =  => `
依据以下检查反馈，对原文进行相应修改，使其全部通过 ✅。
原文：
${answer}
反馈：
${feedback}
`;

// src/reflection/agent.ts
import { HelloAgentsLLM } from '../shared/llm';
import { SimpleMemory } from './memory';
import { CHECK_PROMPT, REWRITE_PROMPT } from './prompts';
export class ReflectionAgent {
   private llm = new HelloAgentsLLM;
   private memory = new SimpleMemory;
   async run: Promise {
       // 第一步：首次生成答案
       let answer = await this.llm.think();
       // 将初稿写入记忆，以便后续参考
       this.memory.add;
       // 循环次数上限防止无限卡死
       for  {
           // 第二步：自检
           const checkPrompt = CHECK_PROMPT;
           const feedback = await this.llm.think();
           // 若全部 ✅ 则直接返回结果
           if ) break;
           // 第三步：根据反馈重写
           const rewritePrompt = REWRITE_PROMPT;
           answer = await this.llm.think();
           // geng新记忆供下轮使用
           this.memory.add;
       }
       return answer;
   }
}

// src/index.ts
import { ReflectionAgent } from './reflection/agent';
 => {
   const agent = new ReflectionAgent;
   // 示例任务：实现一个高效素数检测函数
   const taskDesc = `请用 TypeScript 写一个 O 的 isPrime:boolean 函数，并附带使用示例。`;
   console.log;
   const result = await agent.run;
   console.log;
   console.log;
});

运行 六、实战经验与调优技巧 🚀

设置合理阈值： Ru果模型总是返回 “❌ 部分缺失”，Ke以适当放宽检查标准或者增大temperature 参数，让它geng具创造性。