Prueba de autorreflexión en bucles de agentes

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Qué aporta la autorreflexión a un ciclo de agente estándar?
   • Un paso deliberado donde el modelo critica su propio trabajo antes de continuar.
   • Un modelo más rápido que omite las llamadas a herramientas
   • Una ventana de contexto más grande automáticamente
   • Un revisor humano para cada paso
2. En el marco de Reflexion, ¿dónde se almacenan las autocríticas del modelo?
   • En los pesos ajustados del modelo
   • En un búfer de memoria episódica utilizado en todos los intentos
   • En una base de datos separada el modelo no puede leer
   • Se descartan después de cada paso.
3. ¿Qué señal de retroalimentación para la reflexión tiende a ser más confiable?
   • Sólo la confianza del modelo
   • La longitud de la respuesta anterior.
   • Señales externas como resultados de pruebas o mensajes de error de herramientas.
   • El tiempo necesario para responder
4. ¿Cuál es un modo de autorreflexión conocido como fallido?
   • Siempre hace que el modelo sea más lento que los humanos.
   • Daña permanentemente los datos de entrenamiento.
   • Sólo se puede utilizar para tareas de imágenes.
   • El modelo puede afirmar con seguridad que una respuesta incorrecta es correcta.
5. ¿Cómo suele generar retroalimentación el enfoque Self-Refine?
   • Utilizando el mismo modelo para criticar y luego reescribir su propia producción.
   • Consultando la API de una empresa diferente
   • Pidiéndole al usuario que califique cada token
   • Al deshabilitar todo el uso de herramientas
6. ¿Por qué la reflexión es especialmente valiosa para tareas de varios pasos como la codificación o la navegación web?
   • Porque estas tareas nunca producen errores
   • Porque los intentos de una sola pasada a menudo fallan pero la crítica y el reintento tienen éxito
   • Porque la reflexión elimina la necesidad de herramientas
   • Porque elimina la necesidad de un objetivo.
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