LLM Agent提效进阶1：反思工作流——91%精度大超GPT-4 24%

1. 相关研究

反思依赖于LLM对自己之前提出的工作进行反思并提出改进的方法，有三篇典型论文详细描述了这种模式，我们先来看一下。

• Self-Refine: Iterative Refinement with Self-Feedback
• CRITIC: Large Language Models Can Self-Correct with Tool-Interactive Critiquing
• Reflexion: Language Agents with Verbal Reinforcement Learning

2. Self-Refine

顾名思义，它是一种自我精炼的LLM优化技术，使用单一的LLM作为生成器、改进器和反馈器。该方法通过迭代过程生成初始输出，然后让同一LLM为其提供反馈，并使用这些反馈进一步改进输出。论文展示了SELF-REFINE在多个任务上的有效性，包括对话响应生成、数学推理、代码生成等，使用最先进的LLM（如GPT-3.5和GPT-4）进行评估。Self-Refine在所有评估任务上都优于使用相同LLM进行传统一步生成的方法，平均提高了约20%的任务性能。 以ChatGPT编写Python来举个例子

3. CRITIC

作者提出一个名为CRITIC的框架，允许大型语言模型（LLMs）通过与外部工具的交互来验证和改进自己的输出，类似于人类与工具的互动，该框架已经开源github.com/microsoft/P…

• CRITIC通过与搜索引擎、代码解释器等工具的交互，评估初始输出的某些方面，并根据验证过程中获得的反馈来修正输出。
• 该过程可以重复进行，以确保持续的输出改进。
• 通过在自由形式问答、数学程序合成和毒性降低等任务上的全面评估，证明了CRITIC能够一致地提高LLMs的性能。

在数学评估的各个数据集上获得了最高的评分。

我会在后续的文章中尝试分析一下这个框架CRITIC，我们看看它是怎么进行调用工具验证，评估，纠正输出，再循环的。

4. Reflexion

作者指出最近的一些工作诸如ReAct、SayCan、Toolformer、HuggingGPT以及WebGPT证明了使用基于LLM构建的自动化决策Agent是可行的，但是这些方法大多依赖于在当前情景中的例子(in-context example)来指导LLM生成内容，因为用梯度下降的强化学习需要很多计算和时间。简单说，就是他们依赖的只是短期记忆。所以作者提出一种新的叫做Reflexion的框架，它通过使用语言强化学习（verb reinforcement）来帮助Agent从之前的失败中学习。Reflexion会把环境的二进制或量化的反馈转换成文字描述，作为下次迭代中的额外信息。这种自我反思式的反馈就像是个语意上的梯度信号来提供给Agent具体的优化方向，让Agent知道怎样改正错误，这样就能更好地完成任务了。就像人类通过反复练习和反思来快速掌握复杂技能一样。具体的工作流程如下图，Reflexion的源码已经开源，我们在下一篇文章中安装该框架进行分析。 从上图看出Reflexion框架利用三个不同的模型：执行者（Actor）、评估者（Evaluator）和自我反思模型（Self-Reflection)。

• 执行者Actor基于状态观察生成文本和动作；
• 评估者对执行者产生的输出计算奖励分数；
• 自我反思模型生成口头自我反思提示以协助执行者自我改进。
• 该过程使用短期和长期记忆，其中轨迹历史作为短期记忆，而自我反思模型的输出存储在长期记忆中。

Reflexion在AlfWorld任务上提高了22%的决策制定能力，在HotPotQA推理问题上提高了20%，在HumanEval编程任务上提高了11%。比如HumanEval(PY)上比GPT-4的80.1高初10个点，到达91.0。

总结

本文深入探讨了LLM（大语言模型）的反思工作流，通过介绍Self-Refine、CRITIC和Reflexion三种典型的优化技术，展示了LLM在自我反馈、工具交互和语言强化学习中的显著性能提升。这些方法不仅展示了AI系统在复杂任务中自我改进的潜力，还强调了自我反思在机器学习中的重要性。反思工作流的核心在于通过迭代反馈和自我修正，使模型能够不断优化其输出，就像人类通过经验和反思不断进步一样。 接下来，我们会从代码层面深度解析本文所提到reflexion框架，从安装，prompt设计到代码流程完全剖析。