AI Agents · Lektion

Reflexions- und Selbstkritikschleifen

Fragen Sie das Modell nach jedem Schritt: „Hat das funktioniert? Was kommt als Nächstes?“ — ein besonders kostengünstiger Zuverlässigkeitsgewinn.

Reflexions- und Selbstkritikschleifen ist eine kostenlose AI Agents-Lektion auf CoddyKit. Dies ist Lektion 4 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des AI Agents-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der AI Agents-Kurs umfasst insgesamt 4 Lektionen.

Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.

Was ist Reflexion?

Reflexion bedeutet, dass der Agent seine bisherigen Aktionen betrachtet und fragt: „Was lief gut? Was lief schlecht? Was sollte ich anders machen?“

Der kostengünstigste Zuverlässigkeitsgewinn bei Agenten.

Die Reflexion-Arbeit

Shinn et al. führten 2023 Reflexion ein. Nach jedem fehlgeschlagenen Versuch schreibt der Agent eine Selbstkritik und verwendet sie als Orientierung für den nächsten Versuch. Die Qualität stieg dadurch dramatisch.

A Simple Reflection Loop

def with_reflection(task, max_attempts=3):
    reflections = []
    for attempt in range(max_attempts):
        result = agent.run(task, hints=reflections)
        if result.success:
            return result
        reflection = llm.invoke(f'''
Task: {task}
Attempt: {attempt + 1}
What went wrong: {result.error}

Reflect on what to do differently next time.
''').content
        reflections.append(reflection)
    return last_result

Selbstkritik ohne Fehlschlag

Sie können den Agenten auch erfolgreiche Ergebnisse selbst kritisieren lassen:

critique_prompt = '''
Review your answer for:
1. Is it factually correct?
2. Is it complete?
3. Are there obvious improvements?

If improvements possible, return REVISE: <revised answer>.
Otherwise return ACCEPT.
'''

Kritiker als separates Modell

Verwenden Sie ein anderes Modell für die Kritik:

Verringert gemeinsame Verzerrungen
Kann kostengünstiger sein (kleiner Kritiker, großes erstellendes Modell)
Oder umgekehrt (kleines erstellendes Modell, großer Kritiker)

Reflexion auf Schrittebene

Reflektieren Sie nach jedem SCHRITT und nicht erst am Ende:

thought = 'I will use search_kb'
action = call_search_kb(...)
observation = '...'
reflection = llm.invoke(f'Did that step help? Should I try a different tool next?').content

Kostenbewusstsein

Reflexion verdoppelt die Anzahl der LLM-Aufrufe. Überspringen Sie sie bei latenzkritischen Abläufen. Für hochwertige Ergebnisse lohnt sie sich.

Sykophantische Reflexion vermeiden

Wenn Sie fragen: „Hat das funktioniert?“, sagt das Modell häufig: „Ja“. Erzwingen Sie eine kritische Bewertung:

critique_prompt = 'List 3 SPECIFIC PROBLEMS with the previous answer. If you cannot find any, say WHY there are none.'

Reflexionsspeicher

Speichern Sie Reflexionen in einem persistenten Speicher. Über viele Sitzungen hinweg baut der Agent eine Bibliothek mit „Lessons Learned“ auf:

save_reflection({
    'task_type': 'sql-write',
    'lesson': 'Always check if table is partitioned before running heavy aggregations.',
    'created_at': now()
})

Relevante frühere Reflexionen abrufen

Rufen Sie zu Beginn einer neuen Aufgabe die Lessons ab, die zur Aufgabenart passen:

lessons = vector_db.search(embed(task_description), filter={'type': 'reflection'}, k=3)
prompt += '\nLessons learned from past tasks:\n' + '\n'.join(lessons)

Ein konkreter Erfolg

Das Ergänzen von „Notieren Sie nach jedem abgeschlossenen Schritt kurz, was schiefgehen könnte, und prüfen Sie es noch einmal“ in einem Code-Agent-Prompt reduziert die Fehlerquote in Benchmarks typischerweise um 15–30 %.

Verifizierer-Generator

Eine Variante: Lassen Sie ein LLM Inhalte generieren und ein anderes sie verifizieren. Wenn der Verifizierer ablehnt, versucht der Generator es mit dem Ablehnungsgrund erneut. Das wird heute in vielen produktiven Agenten eingesetzt.

Wann Sie NICHT reflektieren sollten

Bereits günstige Aufgaben mit nur einem Durchlauf
Echtzeit-Chat
Latenzkritische Pfade

Erkenntnis aus Reflexion

Was ist die wichtigste Erkenntnis aus dem Reflexion-Paper?

Zusammenfassung

Reflexion ist eine kostengünstige Möglichkeit zur Qualitätssteigerung. Kritisieren Sie Ergebnisse nach Fehlern, speichern Sie die Lessons und rufen Sie sie bei ähnlichen zukünftigen Aufgaben ab. Verwenden Sie nach Möglichkeit ein separates Kritikmodell.

Häufig gestellte Fragen

Ist die Lektion „Reflexions- und Selbstkritikschleifen“ kostenlos?

Ja — der vollständige Text von „Reflexions- und Selbstkritikschleifen“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des AI Agents-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der AI Agents-Kurs umfasst insgesamt 4 Lektionen.

Was lerne ich in „Reflexions- und Selbstkritikschleifen“?

Fragen Sie das Modell nach jedem Schritt: „Hat das funktioniert? Was kommt als Nächstes?“ — ein besonders kostengünstiger Zuverlässigkeitsgewinn. Du übst AI Agents mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.

Brauche ich Erfahrung, um AI Agents zu starten?

Keine Vorkenntnisse erforderlich. AI Agents auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 4 von 4.

Wie lange dauert die Lektion „Reflexions- und Selbstkritikschleifen“?

Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.

Kann ich in dieser AI Agents-Lektion Code schreiben und ausführen?

Ja. Jede AI Agents-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.

Alle Lektionen in diesem Kurs

← Zurück zu AI Agents