Reflexion 自我反思与反思记忆

Reflexion（自我反思与强化自愈 Agent 架构）是一种通过“口头自省反思反馈 (Verbal Self-Reflection)”而非传统强化学习权重更新来迭代提升任务成功率的先进 Agent 设计范式；当 Agent 执行完一轮完整轨迹并在评估器 (Evaluator) 中被判定为失败（如测试用例未通过、目标未达成）时，自我反思模块 (Self-Reflection Model) 介入分析完整历史轨迹，自主撰写一份包含“为什么失败、哪一步出现误判、下次尝试应如何修正”的自然语言反思日志 (Reflection Memory)；该反思日志被永久追加到 Agent 的工作记忆缓冲区中，在开启下一轮试验 (Next Trial) 时作为显式提示词指引 Agent 避开前序陷阱。

复杂代码生成与单元测试自动修复 (HumanEval/SWE-bench)、多步科学推理推导以及决策博弈模拟。

传统 ReAct Agent 在某步走入死胡同后，容易在同一错误逻辑内打转、即使重试也会反复犯相同的错误；Reflexion 通过将过往失败教训外化为显式反思记忆，使模型具备跨轮次自我纠偏与持续进化能力。

详细梳理 Reflexion 系统的三大核心模块（Actor 动作执行者、Evaluator 奖励评估器、Self-Reflection 反思生成器）的协作流？

Reflexion 反思记忆缓冲池 (Memory Buffer) 的 FIFO 滑动窗口淘汰与向量检索检索机制？

为什么在代码生成基准 (HumanEval / LeetCode) 上，结合单元测试反馈的 Reflexion 能够将 pass@1 从 60% 提升至 90%+？

防止模型生成“空洞敷衍的无效反思 (Vague / Hallucinated Reflections)”的 Prompt 架构设计与强制证据引用约束？

Reflexion 与传统强化学习 (RL / PPO / DPO) 在样本效率、推理成本与冷启动难度上的综合对比？