当GPT-4反思自己错了：性能提升近30%，编程能力提升21%

人类在做错事时，会反思自己的行为，避免再次出错，如果让 GPT-4 这类大型语言模型也具备反思能力，性能不知道要提高多少了。

众所周知，大型语言模型 (LLM) 在各种任务上已经表现出前所未有的性能。然而，这些 SOTA 方法通常需要对已定义的状态空间进行模型微调、策略优化等操作。由于缺乏高质量的训练数据、定义良好的状态空间，优化模型实现起来还是比较难的。此外，模型还不具备人类决策过程所固有的某些品质，特别是从错误中学习的能力。

不过现在好了，在最近的一篇论文中，来自美国东北大学、MIT 等机构的研究者提出 Reflexion，该方法赋予智能体动态记忆和自我反思的能力。

为了验证方法的有效性，该研究评估了智能体在 AlfWorld 环境中完成决策任务的能力，以及在 HotPotQA 环境中完成知识密集型、基于搜索问答任务的能力，在这两项任务的成功率分别为 97% 和 51%。

论文地址：https://arxiv.org/pdf/2303.11366.pdf

项目地址：https://github.com/GammaTauAI/reflexion-human-eval

如下图所示，在 AlfWorld 环境中，房间里摆设了各种物品，要求让智能体给出推理计划以拿到某件物体，下图上半部分由于智能体低效的计划而失败。经过反思后，智能体意识到错误，纠正推理轨迹，给出简洁的轨迹方式（如图下半部分）。

模型反思有缺陷的搜索策略：

这篇论文表明，你可以通过要求 GPT-4 反思「你为什么错了？」并为自己生成一个新的提示，将这个错误原因考虑在内，直到结果正确，从而将 GPT-4 的性能提高惊人的 30%。

网友不禁感叹：人工智能的发展速度已经超过了我们的适应能力。

方法介绍

Reflexion 智能体的整体架构如下图 1 所示，其中 Reflexion 利用 ReAct（Yao et al., 2023）。在第一次试验中，智能体从构成初始查询的环境中获得任务，然后智能体执行由 LLM 生成的一系列动作，并从环境中接收观察和奖励。对于提供描述型或持续型奖励的环境，该研究将输出限制为简单的二元成功状态以确保适用性。

在每个动作 a_t 之后，智能体会计算一个启发性函数 h，如下图所示

这个启发性函数旨在检测智能体产生信息幻觉（即虚假或错误的信息）或效率低下，并「告诉」智能体何时需要反思（reflexion），其中 t 是 time step，s_t 是当前状态，Ω 表示重复动作循环的次数，ε 表示执行动作的最大总数，[a_o, o_0 . . . , a_(t−1), o_(t−1)] 代表轨迹历史。repeat 是一个简单的函数，用于确定产生相同结果的重复动作循环的次数。

如果函数 h 告诉智能体需要反思，那么智能体会查询 LLM 以反映其当前任务、轨迹历史和上次奖励，然后智能体在后续试验中会重置环境再重试。如果函数 h 没有告诉智能体需要反思，那么智能体会将 a_t 和 o_t 添加到其轨迹历史记录中，并向 LLM 查询下一个动作。

如果如果启发式 h 建议在 time step t 时进行反思，则智能体会根据其当前状态 s_t、最后的奖励 r_t、先前的动作和观察 [a_0, o_0, . . . , a_t, o_t]，以及智能体现有的工作存储 mem，启动一个反思过程。

反思的目的是通过反复试验帮助智能体纠正「幻觉」和低效率问题。用于反思的模型是一个使用特定的失败轨迹和理想的反思示例来 prompt 的 LLM。

智能体会迭代地进行上述反思过程。在实验中，该研究设置在智能体内存中存储的反思最多为 3 次，这是为了避免查询超出 LLM 的限制。以下几种情况，运行会终止：

• 超过最大试验次数；
• 未能在两次连续试验之间提高性能；
• 完成任务。

实验及结果

AlfWorld 提供了六种不同的任务和 3000 多个环境，这些任务要求智能体理解目标任务，制定子任务的顺序计划，并在给定环境中执行操作。

该研究在 134 个 AlfWorld 环境中测试智能体，任务包括寻找隐藏物体（例如，在抽屉里找到水果刀）、移动物体（例如，将刀移到砧板上 )，以及用其他对象来操纵另一个对象（例如，在冰箱中冷藏西红柿）。 

在没有反思的情况下，智能体的准确率为 63%，之后加入 Reflexion 进行对比。结果显示，智能体在 12 次试验中能够处理好 97% 的环境，在 134 项任务中仅有 4 项没有解决。

接下来的实验是在 HotPotQA 中进行了，它是一个基于维基百科的数据集，包含 113k 个问答对，主要用来挑战智能体解析内容和推理的能力。

在 HotpotQA 的 100 个问答对测试中，该研究将基础智能体和基于 Reflexion 的智能体进行比较，直到它们在连续的试验中无法提高准确性。结果显示基础智能体并没有性能提高，在第一次试验中，基础智能体准确率为 34%，Reflexion 智能体准确率为 32%，但在 7 次试验后，Reflexion 智能体表现大幅改善，性能提升接近 30%，大大优于基础智能体。

类似地，在测试模型编写代码的能力时，加入 Reflexion 的 GPT-4 也显著优于常规的 GPT-4：