Reflexão de Agentes e Ciclos de Autocorreção
Torne os agentes mais inteligentes permitindo que critiquem e revisem o próprio trabalho. Aprenda o padrão de reflexão, quando usá-lo e como limitá-lo para produção.
Reflexão de Agentes e Ciclos de Autocorreção é uma aula grátis de Prompt Engineering & LLM Optimization for Developers no CoddyKit. Esta é a aula 4 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Prompt Engineering & LLM Optimization for Developers, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Prompt Engineering & LLM Optimization for Developers inclui 4 aulas no total.
Partes desta aula ainda não foram traduzidas e aparecem em inglês.
What is Reflection?
Reflection is an agent pattern where the model reviews its own output, identifies flaws, and produces an improved version — without a human in the loop.
It turns a one-shot answer into an iterative draft-then-revise process.
The Generator-Critic Pattern
Two roles drive reflection:
- Generator: produces a candidate answer
- Critic: evaluates it against criteria and suggests fixes
They can be the same model with different prompts.
A Basic Reflection Loop
Generate, critique, then regenerate using the critique. Repeat until the critic is satisfied or a limit is hit.
let draft = generate(task);
for (let i = 0; i < maxIters; i++) {
const fb = critique(task, draft);
if (fb.ok) break;
draft = revise(task, draft, fb.notes);
}Writing the Critic Prompt
A good critic is specific. Give it explicit checklist criteria so feedback is actionable rather than vague praise.
Review the answer for:
1. Correctness
2. Completeness
3. Following the format spec
List concrete problems, or reply DONE.Reflexion with Memory
The Reflexion technique stores past mistakes as text memory. The agent reads its prior reflections before the next attempt, so it does not repeat errors.
Tool-Grounded Reflection
Reflection is far stronger when the critic can run tests, compile code, or query data — replacing opinion with evidence.
const result = runTests(draft);
if (!result.passed) {
draft = revise(task, draft, result.failures);
}Bounding the Loop
Unbounded reflection can loop forever or burn tokens. Always cap iterations and add an early exit when the critic approves.
const MAX_ITERS = 3;
let iters = 0;
while (!approved && iters++ < MAX_ITERS) { /* ... */ }Diminishing Returns
Quality usually plateaus after 2-3 cycles. Track whether each revision actually improves a measurable score; stop reflecting once gains stall.
Cost vs Quality
Each reflection cycle is extra LLM calls. Reserve reflection for high-value or error-prone tasks (code, planning) and skip it for simple ones.
Avoiding Self-Reinforcing Errors
A model can confidently approve its own wrong answer. Use a different model or external tools as the critic when correctness is critical.
Combining with Planning
In a larger agent, reflection sits after each major step: act, observe, reflect, adjust the plan. This makes long autonomous workflows far more robust.
Quick Check
Test your understanding.
Recap
You learned the reflection pattern: a generator-critic loop where the agent critiques and revises its own work. Use specific critic criteria, ground critiques in tools, store reflections as memory, bound iterations, and use an independent critic for high-stakes correctness.
Perguntas Frequentes
A aula “Reflexão de Agentes e Ciclos de Autocorreção” é grátis?
Sim — o texto completo de “Reflexão de Agentes e Ciclos de Autocorreção” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Prompt Engineering & LLM Optimization for Developers, atualize para CoddyKit PRO. O curso de Prompt Engineering & LLM Optimization for Developers inclui 4 aulas no total.
O que vou aprender em “Reflexão de Agentes e Ciclos de Autocorreção”?
Torne os agentes mais inteligentes permitindo que critiquem e revisem o próprio trabalho. Aprenda o padrão de reflexão, quando usá-lo e como limitá-lo para produção. Você pratica Prompt Engineering & LLM Optimization for Developers com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Prompt Engineering & LLM Optimization for Developers?
Nenhuma experiência prévia é necessária. Prompt Engineering & LLM Optimization for Developers no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 4 de 4.
Quanto tempo leva a aula “Reflexão de Agentes e Ciclos de Autocorreção”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Prompt Engineering & LLM Optimization for Developers?
Sim. Cada aula de Prompt Engineering & LLM Optimization for Developers inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Projeto de sistemas multiagente
- Gerenciamento de memória e estado para agentes
- Automação autônoma de fluxos de trabalho
- Reflexão de Agentes e Ciclos de Autocorreção