Kvíz spojený s průvodcem · Střední úroveň
Sebereflexe v kvízu Agent Loops
Kontroluje, jak reflexe agenta využívá historii akcí, externí zpětnou vazbu, epizodickou paměť a kritiku k vedení dalšího pokusu.
Otázka 1 z 8
Co přidává sebereflexe ke standardní smyčce agentů?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Co přidává sebereflexe ke standardní smyčce agentů?
- Záměrný krok, kdy model před pokračováním kritizuje vlastní práci
- Rychlejší model, který přeskakuje volání nástrojů
- Automaticky větší kontextové okno
- Lidský recenzent na každém kroku
- Kde jsou v rámci Reflexion uloženy sebekritiky modelu?
- V modelově vyladěných závažích
- Ve vyrovnávací paměti epizodické paměti používané napříč pokusy
- V samostatné databázi model nemůže číst
- Po každém kroku jsou vyřazeny
- Který zpětnovazební signál pro odraz bývá nejspolehlivější?
- Pouze vlastní sebevědomí modelky
- Délka předchozí odpovědi
- Externí signály, jako jsou výsledky testů nebo chybová hlášení nástroje
- Čas potřebný k odpovědi
- Jaký je známý způsob sebereflexe selhání?
- Model je vždy pomalejší než lidé
- Trvale poškozuje tréninková data
- Lze jej použít pouze pro obrázkové úlohy
- Model může s jistotou potvrdit, že špatná odpověď je správná
- Jak přístup Self-Refine obvykle vytváří zpětnou vazbu?
- Použitím stejného modelu ke kritice a následnému přepsání vlastního výstupu
- Dotazem na rozhraní API jiné společnosti
- Požádáním uživatele, aby ohodnotil každý token
- Zakázáním veškerého použití nástroje
- Proč je reflexe zvláště cenná pro vícekrokové úkoly, jako je kódování nebo navigace na webu?
- Protože tyto úkoly nikdy nevytvářejí chyby
- Protože pokusy s jedním průchodem často selžou, ale pokusy kritiky a opakování jsou úspěšné
- Protože odraz odstraňuje potřebu jakýchkoliv nástrojů
- Protože to eliminuje potřebu cíle
- In a reflection loop, why is a failing unit test useful evidence for the next attempt?
- It proves the model’s self-critique is correct
- It updates model weights automatically
- It provides an external, concrete signal about which behavior did not meet the requirement
- It guarantees the entire program is wrong
- If an agent stores a critique in memory but does not fine-tune its model, how can that critique affect the next attempt?
- It changes the base model’s parameters permanently
- It changes the programming language
- It disables the external tool
- It can be retrieved and inserted into the next prompt as context