PreFlect：大语言模型智能体从回溯反思到前瞻反思

先进的大语言模型智能体通常采用自我反思来提升性能，即智能体迭代分析过去的动作以纠正错误。然而，现有反思方法本质上是回溯性的：智能体先行动、观察到失败，然后才尝试恢复。本工作提出 PreFlect，一种前瞻反思机制，通过在执行前批评并改进智能体计划，将范式从事后纠正转向执行前预见。为支持有依据的前瞻反思，我们从历史智能体轨迹中提炼规划错误，捕捉过去执行中反复出现的成败模式。此外，我们以动态重规划机制补充前瞻反思，在原计划遇到意外偏差时提供执行时的计划更新。在多个基准上的评估表明，PreFlect 显著提升智能体在复杂真实任务上的总体效用，优于强反思基线以及若干更复杂的智能体架构。代码将在 https://github.com/wwwhy725/PreFlect 更新。