AI Agents · Aula

Ciclos de reflexão e autocrítica

Após cada etapa, pergunte ao modelo “isso funcionou? o que vem a seguir?” — o ganho de confiabilidade mais barato.

Ciclos de reflexão e autocrítica é uma aula grátis de AI Agents 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 AI Agents, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de AI Agents inclui 4 aulas no total.

Partes desta aula ainda não foram traduzidas e aparecem em inglês.

O que é reflexão?

Reflexão é quando o agente analisa suas próprias ações passadas e pergunta: "O que deu certo? O que deu errado? O que devo fazer de forma diferente?"

É o ganho de confiabilidade mais barato em agentes.

Artigo sobre Reflexion

Shinn et al. 2023 apresentaram o Reflexion. Após cada tentativa malsucedida, o agente escreve uma autocrítica e a usa como orientação para a próxima tentativa. A qualidade aumentou drasticamente.

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

Autocrítica sem falha

Você também pode fazer o agente criticar os resultados bem-sucedidos:

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.
'''

Crítica como modelo separado

Use um modelo diferente para fazer a crítica:

Reduz vieses compartilhados
Pode ser mais barato (crítico pequeno, autor grande)
Ou o contrário (autor pequeno, crítico grande)

Reflexão no nível da etapa

Reflita após cada STEP, não apenas no final:

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

Consciência dos custos

A reflexão duplica as chamadas de LLM. Para caminhos críticos de latência, ignore-a. Para obter resultados de alta qualidade, vale a pena.

Evitando a reflexão bajuladora

Se perguntar "isso funcionou?", o modelo geralmente responderá "sim". Force uma avaliação crítica:

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

Memória de reflexão

Salve as reflexões em um armazenamento persistente. Ao longo de muitas sessões, o agente cria uma biblioteca de "lições aprendidas":

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

Recuperando reflexões anteriores relevantes

No início de uma nova tarefa, recupere as lições correspondentes ao tipo da tarefa:

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

Um resultado concreto

Adicionar "Após concluir cada etapa, observe brevemente o que pode dar errado e verifique novamente" a uma instrução para um agente de programação geralmente reduz a taxa de erros em 15–30% nos testes de referência.

Gerador-verificador

Variação: faça um LLM gerar e outro verificar. Se o verificador rejeitar o resultado, o gerador tenta novamente usando o motivo da rejeição. Essa abordagem é usada atualmente em muitos agentes de produção.

Quando NÃO refletir

Tarefas simples que já são baratas em uma única tentativa
Conversas em tempo real
Fluxos em que a latência é crítica

Insight do Reflexion

Qual é o principal insight do artigo sobre Reflexion?

Recapitulação

A reflexão é uma forma barata de melhorar a qualidade. Faça críticas após falhas, salve as lições e recupere-as para tarefas futuras semelhantes. Sempre que possível, use um modelo crítico separado.

Perguntas Frequentes

A aula “Ciclos de reflexão e autocrítica” é grátis?

Sim — o texto completo de “Ciclos de reflexão e autocrítica” 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 AI Agents, atualize para CoddyKit PRO. O curso de AI Agents inclui 4 aulas no total.

O que vou aprender em “Ciclos de reflexão e autocrítica”?

Após cada etapa, pergunte ao modelo “isso funcionou? o que vem a seguir?” — o ganho de confiabilidade mais barato. Você pratica AI Agents 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 AI Agents?

Nenhuma experiência prévia é necessária. AI Agents 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 “Ciclos de reflexão e autocrítica”?

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 AI Agents?

Sim. Cada aula de AI Agents 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

← Voltar para AI Agents