详细解释
LLM Self-Reflection（自反思 / 自审 / Reflexion 范式） 一句话定义：不要把 LLM 吐出的第一个版本当最终答案，让它自己当自己的阅卷老师——先出初稿，然后换一个 System Prompt（「你是一个严格的评审，请从准确性、完整性、逻辑三个角度给上文打 1-5 分并列出修改点」）再调用一次，根据修改意见再出二稿，必要时循环，直到达到及格分。人类写稿都要改 3 遍，凭什么觉得 LLM 一次就能写对？在代码生成、数学推理、长文写作等高错误率任务上，加一次自反思通常能把最终正确率提 10 至 20 个百分点，成本只翻一倍不到（二稿通常比初稿短）。
2023 年 6 月诺亚方舟实验室提出的 Reflexion 是这个方向的开山论文：核心思路就是「语言反馈 + 记忆池」—— Agent 每次做完一个任务，先自己写一段「这次哪里做得不好、下次怎么改」的文字反思，存到记忆里，下次做同类任务时先把记忆里的反思塞进上下文，相当于人类积累的错题本。实测在 HumanEval 代码生成上，GPT-4 一次通过率 67%，加 Reflexion 三轮迭代后冲到 91%，提升非常显著。
唯元智创 的 LLM 网关内置了「自反思开关」，不需要改业务代码：在请求参数里加 enable_reflection: true 和 reflection_rounds: 2，网关自动帮你在业务无感知的情况下把同一次请求跑 N 轮（生成 → 评审 → 修正），最后只返回终稿给你；并且评审环节默认走 GPT-4o-mini，比业务调用的强模型便宜，所以总成本上升通常控制在 40% 至 70%。
自反思的三种主流范式（按适用场景选）
| 范式 | 流程 | 适合任务 | 成本倍数 | 正确率提升 |
|---|---|---|---|---|
| ① 外部评审式（External Critic）——最常用 | 生成节点（模型A，温度高）输出初稿 → 评审节点（模型B，温度0）按 rubric 打 1-5 分 + 写修改意见 → 分数≥门槛就过，否则把修改意见 + 初稿一起喂回生成节点重写，最多 N 轮 | 文案写作、报告生成、代码 Code Review、法律合同审阅 | ×1.5 至 ×2.5 | +10% 至 +20% |
| ② 自一致性投票式（Self-Consistency Ensemble） | 同一个问题用 5 个不同 seed / 温度独立生成 5 个答案 → 让 LLM 自己选「哪个答案最可能对」或者对数学题直接取多数投票，不需要额外写评审 rubric | 数学推理、多选题、有唯一标准答案的客观题 | ×5 至 ×10（较贵） | +5% 至 +15%（越难的题提升越多） |
| ③ 过程式逐步反思（Step-level Critique） | 生成时不是一口气写完，而是每写一个步骤就暂停 → 反思「这一步对不对，有没有和前面矛盾」 → 不对就撤回这步重写，对了才写下一步 | 超长逻辑链推理、复杂代码生成（先写伪代码再反思再写真代码） | ×3 至 ×6 | +15% 至 +30%（复杂任务提升大但慢） |
自反思工程化的四个必加护栏（防止死循环和自欺欺人）
护栏 1：最大轮次硬上限 + 分数收敛检测。千万不要写「分数达到 4/5 才停」这种无限循环——评审模型心情一不好连续给 3 分，循环 20 次 token 账单直接炸。硬上限一般是 3 轮（初稿算第 0 轮，最多反思两次）；加一个收敛检测：连续两轮分数没有变化（比如都是 3.2 分），说明改不动了，直接停。
护栏 2：生成模型和评审模型必须隔离，最好是不同模型。如果「自己写的稿子自己打分」，LLM 非常容易自欺欺人——给自己打 5 分或者只提无关痛痒的小毛病（「句子可以更通顺」这种废话），等于白加。标准做法：生成用强模型高温（GPT-4o / Claude Opus，温度 0.8-1.2，追求创造力），评审用中等模型低温（GPT-4o-mini / Claude Haiku，温度 0，追求稳定严格），评审模型看不到初稿的 System Prompt，完全以最终读者视角盲审。
护栏 3：评审 Rubric 必须是结构化、可量化的 3-5 条硬规则，禁止开放题。错误的评审 Prompt 是「请评价这段回答好不好」——评审模型会输出一堆没用的主观话。正确的评审 Prompt 必须长这样：「请按以下 4 条逐项打分，每条 1-5 分，最后给总分，分不够必须列出具体修改点（写清第几段第几句、改成什么）：(1) 事实准确性：是否和召回文档一致，有没有幻觉；(2) 完整性：是否覆盖了用户问题的 3 个诉求点；(3) 格式合规：是否按要求输出 JSON，字段是否齐全；(4) 语气：是否符合客服中性专业语气，不出现推卸责任的话」。没有量化规则的评审等于没评审。
护栏 4：反思失败必须有兜底出口。连续 3 轮反思后分数仍然不达标（比如还是达不到 4/5），不是返回最后一稿就算了——必须触发降级逻辑：(a) 把最后三稿 + 所有评审意见打包给人工介入（工单系统自动派单）；或者 (b) 切换到更强的模型（比如原本用 GPT-4o-mini，失败升级到 GPT-4o）跑最后一轮；或者 (c) 对用户主动说「这个问题我需要再确认一下，请稍等 5 分钟 / 留下联系方式稍后回复」，而不是硬给一个明知不对的答案。