发表时间：2023(NeurIPS 2023)
文章要点：文章提出Reflexion框架，通过交互的方式获得反馈，并变成细致的语言feedback的形式作为下一轮的prompt，以此强化language agents的能力，同时避免了更新大模型的参数。这样的好处有1）轻量，不需要finetune LLM，2）feedback相比一个reward信号更加细致，3）充分利用过去的经验对未来的动作给予指导。缺点在于，很依赖大模型自我评估的能力（have the disadvantages of relying on the power of the LLM’s self-evaluation capabilities (or heuristics) and not having a formal guarantee for success）。
具体的，框架包括三个模型：Actor, Evaluator model, Self-Reflection model。
Actor是一个LLM，用来生成动作。Actor具体可以采用Chain of Thought和ReAct等方式实现。此外，还维护了一个memory用来存储过去的经验作为Actor的prompt。这个memory被称为short-term memory。
Evaluator分析Actor的输出并给轨迹打分（It takes as input a generated trajectory and computes a reward score that reflects its performance within the given task context.）。Evaluator可以是环境准确的反馈（reward functions based on exact match (EM) grading），可以是定义好的函数（pre-defined heuristic functions），也可以是LLM。
Self-reflection是一个LLM，主要作用是将Evaluator的打分转换成更细致的语言反馈（by generating verbal self-reflections to provide valuable feedback for future trials）。同时这个反馈也存到memory中，这个被称为long-term memory.
整个reflexion的过程是一个迭代优化的过程。Actor和环境交互得到轨迹，Evaluator给轨迹打分，Self-reflection分析轨迹和得分并生成语言形式的反馈存到memory里作为下一次迭代的prompt。如此循环下去直到回答正确或者达到最大尝试次数。
下图给了一个具体的例子
总结：文章写的很清楚了，优点是轻量而且有效，缺点就是比较依赖LLM的能力。感觉这个点是不是可以通过增加一个真正的RL的过程来弥补，可以考虑考虑。
疑问：无。