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.

Související vodicí cestySebereflexe V Agentových Smyčkách
Otázka 1 z 8

Co přidává sebereflexe ke standardní smyčce agentů?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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