개요
Reflexion은 AI 에이전트가 자신의 실패에 대해 글로 반성하고 이러한 교훈을 다음 시도에 다시 적용하는 기술입니다. 에이전트가 기본 모델을 재교육하지 않고도 작업을 개선할 수 있기 때문에 중요합니다.
반사 및 자체 수정 에이전트는 실제 배포에 중점을 두고 모델 기능을 측정 가능한 가치를 제공하는 안정적인 일일 워크플로로 전환합니다.
심층 분석
Shinn과 동료들이 2023년 논문에서 소개한 Reflexion은 에이전트에게 루프를 제공합니다. 즉, 작업을 시도하고 어떻게 수행되었는지에 대한 신호(테스트 결과, 보상 또는 비평)를 받은 다음 무엇이 잘못되었고 다음에 무엇을 시도할지 설명하는 짧은 자연 언어 '반사'를 작성합니다. 해당 반영은 메모리에 저장되고 다음 시도 프롬프트 앞에 추가됩니다. 결정적으로 모델의 가중치는 절대 변하지 않습니다. 학습은 전적으로 컨텍스트 창에서 텍스트로 발생합니다. 이 '언어 강화 학습'을 통해 에이전트는 코딩 문제, 웹 탐색 및 추론 작업을 반복할 수 있습니다. HumanEval 코딩 벤치마크에서 Reflexion 스타일의 자체 수정은 에이전트가 몇 번의 시도에 걸쳐 자체 실수를 디버깅하도록 함으로써 단일 시도보다 훨씬 더 높은 통과율을 높였습니다.
기술적 통찰력
Reflexion은 작업을 생성하는 행위자, 결과에 점수를 매기는 평가자(단위 테스트, 정확한 일치 확인 또는 LLM 심사위원), 해당 점수를 텍스트 강의로 바꾸는 자기 성찰 모델의 세 가지 역할을 구분합니다. 수업은 다음 시도에서 재사용되는 에피소드 메모리 버퍼에 저장됩니다. 피드백은 그라디언트가 아닌 언어이기 때문에 GPU 훈련이 필요하지 않지만 자신감 있지만 잘못된 반사를 강화하지 않도록 신뢰할 수 있는 평가 신호에 크게 의존합니다.
반사 및 자기 교정 에이전트 마스터하기
Reflexion은 AI 에이전트가 자신의 실패에 대해 글로 반성하고 이러한 교훈을 다음 시도에 다시 적용하는 기술입니다. 에이전트가 기본 모델을 재교육하지 않고도 작업을 개선할 수 있기 때문에 중요합니다. 반사 및 자체 수정 에이전트는 실제 배포에 중점을 두고 모델 기능을 측정 가능한 가치를 제공하는 안정적인 일일 워크플로로 전환합니다. 깊은 이해를 구축하려면 반사 및 자체 수정 에이전트를 단일 기능이 아닌 운영 모델로 취급하십시오. 즉, 원하는 결과를 정의하고, 가정을 명확히 하며, 시스템이 안정적으로 수행할 수 있는 작업과 여전히 전문가 판단이 필요한 작업을 분리하세요.
실제로 Reflexion 및 Self-Corctioning Agent를 사용하는 강력한 팀은 데모 모델이 아닌 워크플로 결과에 중점을 두고 사람의 체크포인트를 조기에 정의합니다. 명시적인 성공 기준을 문서화하고, 현실적인 데이터 및 워크플로를 기준으로 테스트하며, 일회성 벤치마크 승리보다는 관찰된 실패 패턴을 기반으로 반복합니다. 이론적 이해가 제품, 정책, 운영 전반에 걸쳐 지속 가능한 역량으로 바뀌는 곳입니다.
애플리케이션 수준 설계는 AI가 실제 결과를 개선하는지 여부를 결정합니다. 동시에 손상된 프로세스를 자동화하면 기존 문제가 증폭될 수 있습니다. 가장 탄력적인 접근 방식은 실험 속도와 거버넌스 규율을 결합하는 것입니다. 즉, 파일럿 실행, 증거 캡처, 결정 로그 게시, 모델 동작, 사용자 기대 및 규제 요구 사항이 발전함에 따라 보호 장치를 지속적으로 업데이트합니다.
전략적 영향
애플리케이션 수준 설계는 AI가 실제 결과를 개선하는지 여부를 결정합니다.
애플리케이션 수준 설계는 AI가 실제 결과를 개선하는지 여부를 결정합니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
훌륭한 워크플로우 통합은 사용자가 신뢰할 수 있는 생산성 향상을 가져옵니다.
훌륭한 워크플로우 통합은 사용자가 신뢰할 수 있는 생산성 향상을 가져옵니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
범위가 적절한 사용 사례는 변경 피로도와 구현 위험을 줄여줍니다.
범위가 적절한 사용 사례는 변경 피로도와 구현 위험을 줄여줍니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
실제 구현
단위 테스트를 실행하고, 실패한 어설션을 읽고, 버그에 메모를 쓰고, 제품군을 다시 실행하기 전에 해당 코드를 편집하는 코딩 에이전트입니다.
검색 검사에 실패했을 때 환각 인용을 포착한 후 검증된 출처만 사용하도록 답변을 수정하는 연구 조교.
'잘못된 필터를 클릭했습니다'를 기록하고 재시도 시 실수를 방지하는 웹 탐색 에이전트(예: AlfWorld 또는 WebShop 벤치마크)입니다.
제약 조건에 대한 최종 답을 확인하고 부호 오류를 발견하고 관련 단계를 재작업하는 수학 문제 해결사입니다.
구현 패턴
실제로 반사 및 자가 교정 에이전트
단위 테스트를 실행하고, 실패한 어설션을 읽고, 버그에 메모를 쓰고, 제품군을 다시 실행하기 전에 해당 코드를 편집하는 코딩 에이전트입니다.
단위 테스트를 실행하고, 실패한 어설션을 읽고, 버그에 메모를 작성하고, 제품군을 다시 실행하기 전에 코드를 편집하는 코딩 에이전트 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
실제로 반사 및 자가 교정 에이전트
검색 검사에 실패했을 때 환각 인용을 포착한 후 검증된 출처만 사용하도록 답변을 수정하는 연구 조교.
검색 확인이 실패할 때 환각적인 인용을 포착한 다음 검증된 소스만 사용하도록 답변을 수정하는 연구 조교 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
실제로 반사 및 자가 교정 에이전트
'잘못된 필터를 클릭했습니다'를 기록하고 재시도 시 실수를 방지하는 웹 탐색 에이전트(예: AlfWorld 또는 WebShop 벤치마크)입니다.
'잘못된 필터를 클릭했습니다'를 기록하고 재시도 시 실수를 방지하는 웹 탐색 에이전트(예: AlfWorld 또는 WebShop 벤치마크)는 일반적으로 팀이 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
실제로 반사 및 자가 교정 에이전트
제약 조건에 대한 최종 답을 확인하고 부호 오류를 발견하고 관련 단계를 재작업하는 수학 문제 해결사입니다.
제약 조건에 대한 최종 답을 확인하고, 부호 오류를 발견하고, 관련 단계를 재작업하는 수학 문제 해결사 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
위험 및 가드레일
손상된 프로세스를 자동화하면 기존 문제가 증폭될 수 있습니다.
팀은 필요한 인간 판단을 과도하게 자동화하고 제거할 수 있습니다.
출력을 지속적으로 평가하지 않으면 품질이 달라질 수 있습니다.
구현 로드맵
현재 워크플로를 매핑하고 마찰이 가장 큰 단계를 식별합니다.
현재 워크플로를 매핑하고 마찰이 가장 큰 단계를 식별합니다. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
완전 자동화 전에 휴먼 체크포인트를 정의하세요.
완전 자동화 전에 휴먼 체크포인트를 정의하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
프롬프트, 에스컬레이션 경로, 품질 표준에 대해 사용자를 교육합니다.
프롬프트, 에스컬레이션 경로, 품질 표준에 대해 사용자를 교육합니다. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
작업 수준 결과를 추적하여 지속적인 가치를 확인하세요.
작업 수준 결과를 추적하여 지속적인 가치를 확인하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.