跳转至

bogosort的书房

自测题

bogosort的书房

首页
LLM 教程
LLM 教程
- 总目录
- L01_自注意力Self-Attention
  L01_自注意力Self-Attention
- L02_Transformer 与 Decoding
  L02_Transformer 与 Decoding
- L03_Tokenizer
  L03_Tokenizer
- L04_位置编码与 RoPE
  L04_位置编码与 RoPE
- L05_Normalization 与 Pre-Norm_Post-Norm
  L05_Normalization 与 Pre-Norm_Post-Norm
- L06_Embedding 与常用编码方法
  L06_Embedding 与常用编码方法
- L07_模型微调：LoRA 与 AdaLoRA
  L07_模型微调：LoRA 与 AdaLoRA
- L08_模型微调：QLoRA与 PEFT 方法对比
  L08_模型微调：QLoRA与 PEFT 方法对比
- L09_强化学习：强化学习基础与马尔可夫决策过程 MDP
  L09_强化学习：强化学习基础与马尔可夫决策过程 MDP
- L10_强化学习：Bellman Equation 与策略迭代算法
  L10_强化学习：Bellman Equation 与策略迭代算法
- L11_强化学习：蒙特卡洛方法、Sarsa 与多步 Sarsa
  L11_强化学习：蒙特卡洛方法、Sarsa 与多步 Sarsa
- L12_强化学习：Q-learning、Dyna-Q 与 DQN
  L12_强化学习：Q-learning、Dyna-Q 与 DQN
- L13_强化学习：策略梯度、REINFORCE 与 Actor-Critic
  L13_强化学习：策略梯度、REINFORCE 与 Actor-Critic
- L14_强化学习：传统 PPO、RLHF 定义与 NLP 场景强化学习
  L14_强化学习：传统 PPO、RLHF 定义与 NLP 场景强化学习
- L15_强化学习：RLHF-PPO 与 GRPO
  L15_强化学习：RLHF-PPO 与 GRPO
- L16_强化学习：DPO 与 ORPO
  L16_强化学习：DPO 与 ORPO
- L17_强化学习：DAPO、GSPO 与 SAPO
  L17_强化学习：DAPO、GSPO 与 SAPO
- L18_训推不一致
  L18_训推不一致
- L19_模型压缩：量化、ZeroQuant、LLM.int8() 与 SmoothQuant
  L19_模型压缩：量化、ZeroQuant、LLM.int8() 与 SmoothQuant
- L20_模型压缩：GPTQ、AWQ、剪枝与蒸馏
  L20_模型压缩：GPTQ、AWQ、剪枝与蒸馏
- L21_分布式训练：DDP、DP 与 FSDP
  L21_分布式训练：DDP、DP 与 FSDP
- L22_分布式训练：DeepSpeed 与 ZeRO
  L22_分布式训练：DeepSpeed 与 ZeRO
- L23_调参技巧
  L23_调参技巧
- L24_Flash Attention
  L24_Flash Attention
- L25_提示工程
  L25_提示工程
- L26_RAG
  L26_RAG
- L27_RAG 优化
  L27_RAG 优化
- L28_Chunking-free RAG
  L28_Chunking-free RAG
- L29_向量索引
  L29_向量索引
- L30_Rerank
  L30_Rerank
- L31_Rerank模型
  L31_Rerank模型
- L32_Long Context
  L32_Long Context
- L33_Long Context~NTK-aware 插值
  L33_Long Context~NTK-aware 插值
- L34_Long Context~YaRN 与 LongRoPE
  L34_Long Context~YaRN 与 LongRoPE
- L35_长上下文窗口分割
  L35_长上下文窗口分割
- L36_长上下文提示压缩
  L36_长上下文提示压缩
- L37_更多提示压缩方法
  L37_更多提示压缩方法
- L38_GraphRAG
  L38_GraphRAG
- L39_Agentic RAG
  L39_Agentic RAG
- L40_Agent 概述
  L40_Agent 概述
- L41_CoT与ReAct
  L41_CoT与ReAct
- L42_Plan-and-Solve 规划方法
  L42_Plan-and-Solve 规划方法
- L43_反思 Reflexion
  L43_反思 Reflexion
  - 正文
  - 自测题自测题
    目录
    
    A. Reflection 基础
    
    B. Reflexion
    
    C. SELF-DISCOVER
    
    D. LATS
    
    E. 反思、搜索与评估
    
    F. 生产化与排错
    
    G. 综合比较与设计
  - 自测题答案
- L44_Agent记忆
  L44_Agent记忆
  - 正文
- L45_工具 Tool
  L45_工具 Tool
- L46_多智能体为什么失败？
  L46_多智能体为什么失败？
  - 正文
- L47_MCP
  L47_MCP
  - 正文
- L48_Skills与OpenClaw
  L48_Skills与OpenClaw
  - 正文
- L49_Harness Engineering
  L49_Harness Engineering
  - 正文
- L50_LLM推理两阶段：Prefill 和 Decode
  L50_LLM推理两阶段：Prefill 和 Decode
  - 正文
- L51_KV cache
  L51_KV cache
- L52_推理评估方式
  L52_推理评估方式
  - 正文
- L53_vLLM-PagedAttention
  L53_vLLM-PagedAttention
  - 正文
- L54_DistServe-PD分离
  L54_DistServe-PD分离
  - 正文
- L55_Sarathi-Chunked Prefill
  L55_Sarathi-Chunked Prefill
  - 正文
- L56_Speculative Decoding-投机解码
  L56_Speculative Decoding-投机解码
  - 正文
- L57_大模型推理链压缩
  L57_大模型推理链压缩
  - 正文
- L58_大模型预训练定义与预训练数据集
  L58_大模型预训练定义与预训练数据集
  - 正文
- L59_预训练过程、评估与继续预训练
  L59_预训练过程、评估与继续预训练
  - 正文
- L60_DeepSeek-R1
  L60_DeepSeek-R1
  - 正文
- L61_DeepSeek-V3：MLA、DeepSeekMoE 与多 Token 预测
  L61_DeepSeek-V3：MLA、DeepSeekMoE 与多 Token 预测
  - 正文
- L62_DeepSeek 后续工作：NSA 与 DSA
  L62_DeepSeek 后续工作：NSA 与 DSA
  - 正文
- L63_Qwen 2.5
  L63_Qwen 2.5
  - 正文
- L64_MiniMax-01
  L64_MiniMax-01
  - 正文
- L65_Qwen 3 后训练
  L65_Qwen 3 后训练
  - 正文
- L99_独立文章_Qwen3-VL系列是如何理解视频时序的？
  L99_独立文章_Qwen3-VL系列是如何理解视频时序的？
  - 正文
公众号文章
公众号文章

四十三：反思 Reflexion自测题¶

来源:http://mp.weixin.qq.com/s?__biz=MzYyNTk3Njg1NA==&mid=2247484583&idx=1&sn=eb56564df557ecce0ea05b4202fc28c3&chksm=f01eb7dec7693ec8f4b56f4b8d921543f219d71b9628eec5ca0ee0088f2a1939e55e188ae990#rd

A. Reflection 基础¶

Agent Planning 中的 Reflection 是什么？
Reflection 和 Verification 有什么区别？
Reflection 为什么需要高质量反馈？
Reflection 的基本循环是什么？
Reflection 可以改进哪些类型的错误？
Reflection 不适合哪些任务？
反思记忆和普通对话记忆有什么区别？
反思型方法为什么成本通常更高？
如何判断反思是否真的提升效果？
Reflection 可能带来哪些风险？

B. Reflexion¶

Reflexion 的核心思想是什么？
Reflexion 是否更新模型参数？它如何学习？
Reflexion 的 Actor、Evaluator、Self-reflection、Memory 分别负责什么？
Reflexion 中 verbal feedback 的作用是什么？
Reflexion 适合哪些任务？
Reflexion 在代码生成任务中如何使用？
Reflexion 对 evaluator 有什么要求？
Reflexion 的主要限制有哪些？
什么是记忆污染？它如何影响 Reflexion？
如何设计 Reflexion 的反思记忆？

C. SELF-DISCOVER¶

SELF-DISCOVER 的核心思想是什么？
SELF-DISCOVER 的主要流程是什么？
什么是 reasoning modules？
SELF-DISCOVER 如何选择和组合 reasoning modules？
SELF-DISCOVER 和 CoT 有什么区别？
SELF-DISCOVER 和 ToT 有什么区别？
SELF-DISCOVER 适合哪些任务？
SELF-DISCOVER 的优势是什么？
SELF-DISCOVER 的限制是什么？
为什么“先发现推理结构”可能比直接 CoT 更有效？

D. LATS¶

LATS 的全称和核心思想是什么？
LATS 如何结合 ToT、ReAct 和 Reflexion？
LATS 中节点和边可以表示什么？
LATS 的搜索过程包含哪些阶段？
LATS 中环境反馈有什么作用？
LATS 中价值评估有什么作用？
LATS 为什么比单路径 ReAct 更鲁棒？
LATS 为什么比普通 ToT 更接近真实 Agent？
LATS 的主要成本是什么？
LATS 的主要限制有哪些？

E. 反思、搜索与评估¶

Reflection、Search、Planning 三者有什么关系？
反思型 Agent 如何避免重复犯同样错误？
反思记忆应该如何检索和使用？
为什么反思不能无条件写入长期记忆？
如何评估反思文本质量？
如何评估多次尝试后的成功率提升？
什么是错误重复率？
如何区分 verifier 带来的提升和 reflection 带来的提升？
反思型方法为什么需要控制最大尝试次数？
如何处理反思后仍然失败的任务？

F. 生产化与排错¶

如果反思内容很空泛，你会如何改进？
如果反思内容错误，你会如何处理？
如果 Agent 过度自我修正导致变差，你会如何处理？
如果 LATS 搜索树爆炸，你会如何优化？
如果 LATS 的价值评估不准，你会如何改进？
如果 Reflexion 成本太高，你会如何优化？
如何为反思型 Agent 设计 trace？
如何为反思型 Agent 设计失败降级？
高风险任务中是否应该使用自动反思？为什么？
反思型 Agent 如何和人工反馈结合？

G. 综合比较与设计¶

请比较 Reflexion、SELF-DISCOVER、LATS 的核心目标。
请比较 Reflexion、SELF-DISCOVER、LATS 的成本。
请比较 Reflexion、SELF-DISCOVER、LATS 的适用场景。
请比较 Reflexion、SELF-DISCOVER、LATS 的主要风险。
如何把 Reflexion 用在代码修复 Agent 中？
如何把 SELF-DISCOVER 用在复杂推理问答中？
如何把 LATS 用在网页导航 Agent 中？
如何把 Reflection 和 RAG 结合？
请设计一个带反思记忆和 verifier 的 Agent 系统。
请系统总结 Reflexion、SELF-DISCOVER、LATS 的原理、优缺点和面试表达要点。
```
        预览时标签不可点
```
<div class="