面试场景

面试官先让你讲 ReAct，然后追问：“ReAct 有什么工程缺陷？” 你说上下文漂移。他再问：“那加 Reflexion 是不是就解决了？”

如果你说"是"，就掉进了陷阱。Reflexion 不是免费的，它有一个硬前提——可靠的评估器。

底层知识

ReAct 的核心缺陷：上下文漂移

ReAct（Reasoning + Acting）的核心是交替执行"思考→行动→观察"的循环。但长任务中，每一步的推理都基于滚动的局部上下文，原始目标的权重随步骤数增加而下降。这就是上下文漂移（Context Drift）。

表现形式：

• Agent 被中间步骤的局部最优带偏，忘记原始目标
• 随着 step 数增加，上下文窗口中原始任务信息被挤出
• 任务越长，漂移越严重

Reflexion 的机制与硬前提

Reflexion 通过"执行→评估→生成反思文本→重试"的循环来对抗误差累积。

硬前提：需要一个可靠的评估器来判断"这次尝试成功还是失败，失败原因是什么"。

如果评估器不准：

• 反思文本可能"自信地胡说"
• 系统性地把 Agent 引向错误方向
• 比不反思更差——因为反思引入了额外的偏差

Reflexion vs Replan

Python 实验

实验 1：上下文漂移随任务长度的变化

classReActAgent:def__init__(self,drift_rate=0.05):self.drift_rate=drift_ratedefrun(self,task,context_window=10):steps=[]cumulative_drift=0.0forstep_idinrange(task["length"]):# 漂移概率随步骤数线性增长drift_prob=min(1.0,self.drift_rate*(step_id+1))is_drifted=random.random()<drift_probifis_drifted:action=f"深入调查中间发现_{step_id}"relevance=max(0.1,1.0-drift_prob*1.5)cumulative_drift+=drift_probelse:action=f"执行核心任务步骤_{step_id}"relevance=0.9steps.append({"action":action,"relevance":relevance})avg_drift=cumulative_drift/task["length"]correct_prob=max(0.1,1.0-avg_drift*2)correct=random.random()<correct_probreturn{"correct":correct,"drift_score":avg_drift}

结果：

任务长度 drift=0.03 drift=0.05 drift=0.08 drift=0.12 ------------------------------------------------------------------ 3-5步 0.000/100% 0.018/100% 0.095/83% 0.090/83% 6-10步 0.019/92% 0.049/92% 0.151/100% 0.336/54% 11-15步 0.059/64% 0.144/71% 0.383/29% 0.596/0% 16-20步 0.108/65% 0.287/47% 0.575/12% 0.709/24% (格式: 漂移分数/成功率)

关键发现：

• 3-5 步的短任务，drift_rate=0.05 时漂移仅 0.018，成功率 100%
• 16-20 步的长任务，drift_rate=0.05 时漂移升至 0.287，成功率降至 47%
• drift_rate=0.12 时，11-15 步的任务成功率已降至 0%

实验 2：Reflexion 在不同评估器可靠性下的表现

classReflexionAgent(ReActAgent):def__init__(self,drift_rate=0.05,evaluator_reliability=0.9,max_reflexion_rounds=3):super().__init__(drift_rate)self.evaluator_reliability=evaluator_reliability self.max_reflexion_rounds=max_reflexion_roundsdefevaluate(self,result):"""评估当前结果（可能不准确）"""ifrandom.random()<self.evaluator_reliability:returnresult.correct,"准确评估"else:returnnotresult.correct,"错误评估"# 评估器出错！defreflect(self,result,eval_feedback):"""基于评估反馈生成反思（错误评估会误导反思）"""if"准确"ineval_feedback:return"聚焦改进方向"else:# 错误评估导致的反思——可能把正确方向改成错误方向self.drift_rate=min(0.3,self.drift_rate+0.02)return"调整策略方向（可能被误导）"

结果（中等长度任务 8-15 步）：

评估器可靠性 无Reflexion 有Reflexion 平均轮次 净增益 ----------------------------------------------------------- 0.5 70.0% 15.0% 1.9 -55.0% ← 严重恶化！ 0.6 70.0% 30.0% 2.0 -40.0% 0.7 70.0% 50.0% 1.9 -20.0% 0.8 70.0% 65.0% 1.5 -5.0% 0.9 70.0% 70.0% 1.7 +0.0% 1.0 70.0% 95.0% 1.4 +25.0% ← 完美评估器才有显著增益

关键发现：

• 评估器可靠性 < 0.7 时，Reflexion 比不反思更差（成功率下降 20-55%）
• 评估器可靠性 = 0.8 时，Reflexion 仅有微弱效果（-5%）
• 只有评估器可靠性 ≥ 0.9 时，Reflexion 才开始产生正向增益

实验 3：任务长度 × Reflexion ROI

任务长度 无Reflexion 有Reflexion 增益 平均延迟倍率 ----------------------------------------------------------- 3-5步 100.0% 100.0% +0.0% 1.2x ← 无增益但有延迟代价 6-10步 100.0% 92.3% -7.7% 1.0x 11-15步 78.6% 78.6% +0.0% 1.4x ← 无增益但有延迟代价 16-20步 29.4% 47.1% +17.6% 1.8x ← 长任务才有正ROI

实验 4：Reflexion vs Replan

方法 成功率 平均步骤 平均轮次 ----------------------------------------------------- 纯ReAct 36.8% 12.1 1 Reflexion(可靠) 42.1% 12.1 1.9 ← 微弱提升 Reflexion(不可靠) 36.8% 12.1 1.7 ← 无提升 Replan(从头规划) 89.5% 12.1 1.9 ← 大幅提升！

Replan 在高难度任务上的效果远超 Reflexion（89.5% vs 42.1%），因为高难度任务的失败通常是规划前提错误，而非执行细节问题。

面试回答模板

低分回答：“ReAct 有上下文漂移的问题，加 Reflexion 就好了。”

高分回答：

"Reflexion 有一个硬前提——可靠的评估器。我们在中等长度任务上做过消融实验：

• 评估器可靠性低于 0.7 时，Reflexion 的成功率比不反思还低 20-55%，因为错误的评估会把反思引向错误方向
• 在 3-5 步的短任务上，上下文漂移不显著，加 Reflexion 是用 1.2 倍延迟换取不存在的质量提升
• 在高难度任务上，Reflexion 的效果远不如 Replan（42.1% vs 89.5%），因为失败通常是规划前提错误，反思修补只是在错误路径上打补丁

所以我们的策略是：先尝试 Reflexion，3 轮无进展则切换到 Replan；评估器用单元测试或可验证信号，而不是用另一个 LLM 来判断。"

实践建议

1. 关闭评估器跑 Reflexion：观察反思文本是否变得空洞或自相矛盾
2. 做 Reflexion vs Replan 对比实验：找到两者的适用边界
3. 画出任务长度-成功率曲线：确定 Reflexion 的 ROI 拐点
4. 准备具体数字：“在我们的 5 步以内任务中，Reflexion 只增加 2% 成功率但延迟翻倍”

下一篇：《工具调用异常处理——为什么"失败就重试"是危险的》

完整Python代码

#!/usr/bin/env python3""" Agent 上下文漂移与 Reflexion 陷阱实验 1. 模拟 ReAct Agent 在长任务中的上下文漂移 2. 实现 Reflexion 机制并测试有/无可靠评估器的差异 3. 对比 Reflexion 在不同任务长度下的 ROI """importrandomimportnumpyasnpfromcollectionsimportdefaultdictfromdataclassesimportdataclass,fieldfromtypingimportList,Tuple,Optional random.seed(42)np.random.seed(42)# ============================================================# 1. 模拟任务环境# ============================================================@dataclassclassTaskStep:step_id:intaction:strobservation:strrelevance_to_goal:float# 0-1@dataclassclassTaskResult:task_id:inttask_length:intgoal:strsteps:List[TaskStep]final_answer:strcorrect:booldrift_score:float