AI Agents · Leçon

Boucles de réflexion et d’autocritique

Après chaque étape, demandez au modèle : « Est-ce que cela a fonctionné ? Que faire ensuite ? » C’est le gain de fiabilité le moins coûteux.

Leçon 4 sur 415 étapes

Boucles de réflexion et d’autocritique est une leçon AI Agents gratuite sur CoddyKit. Ceci est la leçon 4 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage AI Agents, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours AI Agents comprend 4 leçons au total.

Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.

Qu’est-ce que la réflexion ?

La réflexion consiste, pour l’agent, à examiner ses propres actions passées et à se demander : « Qu’est-ce qui s’est bien passé ? Qu’est-ce qui s’est mal passé ? Que devrais-je faire différemment ? »

C’est le gain de fiabilité le moins coûteux pour les agents.

Article sur Reflexion

Shinn et al. 2023 ont présenté Reflexion. Après chaque tentative échouée, l’agent rédige une auto-critique et l’utilise comme guide pour la tentative suivante. La qualité a fait un bond spectaculaire.

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

Auto-critique sans échec

Vous pouvez également demander à l’agent d’effectuer une auto-critique de résultats réussis :

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.
'''

Le critique comme modèle distinct

Utilisez un modèle différent pour effectuer la critique :

Réduit les biais partagés
Peut coûter moins cher (petit modèle critique, grand modèle auteur)
Ou l’inverse (petit modèle auteur, grand modèle critique)

Réflexion au niveau de l’étape

Réfléchissez après chaque STEP, et pas uniquement à la fin :

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

Maîtriser les coûts

La réflexion double le nombre d’appels de LLM. Pour les parcours où la latence est critique, ignorez-la. Pour obtenir des résultats de grande qualité, cela en vaut la peine.

Éviter la réflexion complaisante

Si vous demandez « est-ce que cela a fonctionné ? », le modèle répond souvent « oui ». Forcez une évaluation critique :

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

Mémoire de réflexion

Enregistrez les réflexions dans un stockage persistant. Au fil des sessions, l’agent construit une bibliothèque d’« enseignements tirés » :

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

Récupérer les réflexions passées pertinentes

Au début d’une nouvelle tâche, récupérez les enseignements correspondant au type de tâche :

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

Une réussite concrète

Ajouter « Après chaque étape, indiquez brièvement ce qui pourrait mal tourner et vérifiez une seconde fois » à une invite destinée à un agent de programmation réduit généralement le taux de bogues de 15 à 30 % dans les évaluations comparatives.

Générateur-vérificateur

Variante : faites générer une réponse par un LLM et vérifier cette réponse par un autre. Si le vérificateur la rejette, le générateur réessaie en tenant compte du motif du rejet. Cette approche est aujourd’hui utilisée dans de nombreux agents en production.

Quand ne pas réfléchir

Tâches ponctuelles déjà peu coûteuses
Conversation en temps réel
Chemins critiques pour la latence

Éclairage apporté par Reflexion

Quel est l’éclairage essentiel apporté par l’article sur Reflexion ?

Réponds-y dans la leçon interactive

Récapitulatif

La réflexion offre une amélioration peu coûteuse de la qualité. Critiquez les échecs, enregistrez les enseignements et récupérez-les pour des tâches futures similaires. Utilisez si possible un modèle critique distinct.

Gratuit pour commencer

Apprends AI Agents avec un tuteur IA — gratuit

Écris et exécute du vrai code dans ton navigateur, obtiens de l'aide instantanée d'un tuteur IA disponible 24h/24, et reprends là où tu t'es arrêté sur le web ou dans l'app.

Cours: 60
Leçons: 239

Commencer gratuitement Voir le cours complet

Questions Fréquemment Posées

La leçon « Boucles de réflexion et d’autocritique » est-elle gratuite ?

Oui — le texte complet de « Boucles de réflexion et d’autocritique » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours AI Agents, passe à CoddyKit PRO. Le cours AI Agents comprend 4 leçons au total.

Qu'est-ce que j'apprendrai dans « Boucles de réflexion et d’autocritique » ?

Après chaque étape, demandez au modèle : « Est-ce que cela a fonctionné ? Que faire ensuite ? » C’est le gain de fiabilité le moins coûteux. Tu pratiques AI Agents avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.

Dois-je avoir de l'expérience pour commencer AI Agents ?

Aucune expérience préalable n'est requise. AI Agents sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 4 sur 4.

Combien de temps prend la leçon « Boucles de réflexion et d’autocritique » ?

La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.

Peux-tu écrire et exécuter du code dans cette leçon AI Agents ?

Oui. Chaque leçon AI Agents inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.

Toutes les leçons de ce cours

← Retour à AI Agents