Agent学习——反思模式

之前关于Agent学习中，主要涉及提示链（顺序执行）、路由（动态选择）、并行（并发），这三个部分都是为了是的智能体能够应对复杂的任务，但是其输出的结果是肯定有不稳定的因素的。所以这里接下来进一步学习反思模式（像人一样根据自身的状态进行自我纠正，自我改进，本质上是循环反馈 ）故需要嵌套循环，以及依据评估结果给出终止循环的条件

反思模式一般的实现方式是：借助另外一个大模型，并给他一个提示身份（如高级建筑工程师身份），让其对另外一个直接参与内容生成的Agent输出的内容进行评估

这种方式使得各个Agent之间的职责被分离 ，用与内容生成的Agent专精于内容的产生，评估该Agent的Agent能专精于Agent的评估

其开发工具为：Langchain和Google ADK

python 复制代码

实现逻辑：
循环条件：当前轮次 < 最大轮数
每次循环：
    
    A. 生成/优化阶段
    ┌─ 如果 当前轮次 == 0：
    │     输入 = 任务描述
    │     提示 = "请完成这个任务"
    └─ 否则：
         输入 = 对话历史 + 最新反馈
         提示 = "请根据反馈优化结果"
    
    B. 调用AI生成
    ┌─ 发送输入给AI模型
    │  接收AI的回复
    │  当前结果 = AI回复内容
    └─ 记录到历史：对话历史.append({"role": "assistant", "content": 当前结果})
    
    C. 评估阶段
    ┌─ 构建评估提示：
    │  "你是一个严格的评估者。"
    │  "原始任务：[任务描述]"
    │  "当前结果：[当前结果]"
    │  "如果完美，回复'满意'，否则提改进建议。"
    └─ 获取评估结果 = AI回复
    
    D. 终止判断
    ┌─ 如果 评估结果包含"满意"：
    │     结束循环
    │  否则如果 当前轮次 == 最大轮数-1：
    │     结束循环
    └─ 否则：
         记录反馈到历史：对话历史.append({"role": "user", "content": 评估结果})
         当前轮次 += 1
         继续下一轮