แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการทบทวนตนเองใน Agent Loops
ตรวจสอบว่าการสะท้อนของเจ้าหน้าที่ใช้ประวัติการดำเนินการ ผลตอบรับจากภายนอก หน่วยความจำตอน และการวิจารณ์เพื่อเป็นแนวทางในการพยายามอีกครั้งอย่างไร
คำถาม 1 ของ 8
การสะท้อนตนเองเพิ่มอะไรให้กับเอเจนต์ลูปมาตรฐาน
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- การสะท้อนตนเองเพิ่มอะไรให้กับเอเจนต์ลูปมาตรฐาน
- ขั้นตอนที่จงใจซึ่งโมเดลจะวิจารณ์งานของตัวเองก่อนดำเนินการต่อ
- โมเดลที่เร็วกว่าซึ่งข้ามการเรียกเครื่องมือ
- หน้าต่างบริบทที่ใหญ่ขึ้นโดยอัตโนมัติ
- เจ้าหน้าที่ตรวจสอบทุกขั้นตอน
- ในกรอบงาน Reflexion การวิจารณ์ตนเองของโมเดลถูกเก็บไว้ที่ไหน
- ในการปรับตุ้มน้ำหนักแบบละเอียดของโมเดล
- ในบัฟเฟอร์หน่วยความจำแบบตอนที่ใช้ข้ามความพยายาม
- ในฐานข้อมูลแยกต่างหาก โมเดลไม่สามารถอ่านได้
- พวกเขาจะถูกละทิ้งหลังจากแต่ละขั้นตอน
- สัญญาณตอบรับสำหรับการสะท้อนใดมีแนวโน้มที่จะเชื่อถือได้มากที่สุด?
- ความมั่นใจของนางแบบเองเพียงอย่างเดียว
- ความยาวของคำตอบก่อนหน้า
- สัญญาณภายนอก เช่น ผลการทดสอบหรือข้อความแสดงข้อผิดพลาดของเครื่องมือ
- เวลาที่ใช้ในการตอบสนอง
- โหมดความล้มเหลวของการสะท้อนตนเองที่ทราบคืออะไร?
- มันทำให้โมเดลช้ากว่ามนุษย์เสมอ
- มันทำให้ข้อมูลการฝึกเสียหายอย่างถาวร
- สามารถใช้สำหรับงานด้านรูปภาพเท่านั้น
- แบบจำลองอาจยืนยันอย่างมั่นใจว่าคำตอบที่ผิดนั้นถูกต้อง
- โดยทั่วไปแนวทางการปรับปรุงตนเองจะสร้างผลตอบรับได้อย่างไร
- โดยใช้แบบจำลองเดียวกันมาวิจารณ์แล้วเขียนผลลัพธ์ของตัวเองใหม่
- โดยการสืบค้น API ของบริษัทอื่น
- โดยขอให้ผู้ใช้ให้คะแนนแต่ละโทเค็น
- โดยปิดการใช้งานเครื่องมือทั้งหมด
- เหตุใดการสะท้อนกลับจึงมีคุณค่าเป็นพิเศษสำหรับงานที่มีหลายขั้นตอน เช่น การเขียนโค้ดหรือการนำทางเว็บ
- เพราะงานเหล่านี้ไม่เคยก่อให้เกิดข้อผิดพลาด
- เพราะความพยายามในการส่งผ่านครั้งเดียวมักจะล้มเหลว แต่การวิจารณ์และลองอีกครั้งจะสำเร็จ
- เนื่องจากการสะท้อนทำให้ไม่จำเป็นต้องใช้เครื่องมือใดๆ
- เพราะมันทำให้ไม่จำเป็นต้องมีเป้าหมายอีกต่อไป
- 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