高频面试题

如何让 AI 进行自我反思和迭代优化？

这题考的是你能否把“让模型检查自己”变成有反馈、有标准、有停止条件的迭代系统。

适合阶段：Prompt 进阶 / Agent 可靠性面核心能力：Self-Refine · Feedback · 迭代控制

面试官角度分析，想考什么

• 自我反思怎么实现？
  考 Generate、Critique、Revise 的基本循环。
• 模型自己评自己可靠吗？
  考是否知道纯自评有确认偏误。
• 什么反馈最有效？
  考外部工具、测试、用户反馈和评估标准。
• 迭代什么时候停止？
  考成本、收敛、最大轮次和质量阈值。

可直接抄走的 30 秒参考答案

我会把自我反思设计成 Generate、Critique、Revise 的循环：先生成初稿，再用明确 rubric 审查准确性、完整性、格式和风险，最后按反馈修订。纯模型自评不完全可靠，所以最好接入测试、schema、工具结果、引用校验或人工反馈。生产里必须有最大轮次、无改进停止和高风险转人工。

面试回答详解，知其所以然

自我反思不是一句“请检查你的答案”，而是一个受控循环。

1. 基本模式：Generate -> Critique -> Revise

1. Generate：生成初稿
2. Critique：按 rubric 找问题
3. Revise：基于反馈改写
4. Stop：达到标准或超过最大轮次

关键是 Critique 必须有明确标准，比如准确性、完整性、格式、证据、风险和可执行性。

2. Prompt 写法

可以拆成两个 Prompt：

请根据以下标准审查回答：
- 是否回答了用户问题
- 是否有无证据事实
- 是否符合输出格式
- 是否遗漏关键约束

只列具体问题，不要直接重写。

然后再修订：

请根据审查意见修订答案。
要求：保留正确内容，修正具体问题，不新增无证据事实。

分开审查和修订，比让模型“一边想一边改”更稳。

3. 外部反馈比纯自评更可靠

纯自我反思的问题是：生成错误和检查错误来自同一个模型，很容易合理化自己的答案。

更可靠的反馈包括：

• 测试结果、编译结果、lint。
• JSON schema 或业务规则校验。
• RAG 引用一致性检查。
• 用户反馈。
• 独立 judge 或人工审核。

4. 控制迭代成本

迭代会增加 token、延迟和复杂度。生产上要设置：

• 最大轮次。
• 质量阈值。
• 无改进停止。
• 高风险转人工。
• 每轮保留变更原因和 trace。

5. 适合和不适合场景

适合：

• 写作润色、代码改进、结构化文档。
• 有明确评分标准的任务。
• 可以通过工具验证的任务。

不适合：

• 没有外部标准的事实问答。
• 高风险决策只靠模型自评。
• 时间极敏感的实时场景。

面试官追问3个问题

追问一：Self-Refine 和 Reflexion 有什么区别？

• 考察点：概念边界。
• 回答方向：Self-Refine 偏单次答案的反馈修订，Reflexion 更强调从外部反馈中总结经验并写入后续尝试。

追问二：为什么纯自我反思可能越改越差？

• 考察点：确认偏误。
• 回答方向：同一模型可能看不见自己的错误，错误反馈会把正确答案改坏。

追问三：如何评估自我反思是否有效？

• 考察点：实验设计。
• 回答方向：做 ablation，对比无反思、纯自评、外部反馈反思的成功率、成本和错误类型。