在这个反馈过程中，又可以分为三大步：
1、评估：测试当前生成答案的准确性
2、自我反省的产生：错误识别——实现修正
3、执行一个迭代反馈循环
在第一步评估的过程中，首先要经历的是LLM（大语言模型）的自我评估。
也就是说LLM在还没有外部反馈时，首先要自己对答案进行反思。
那如何进行自我反思？
研究团队使用了一个二元奖励机制，为LLM在当前状态下执行的操作赋值：
1代表生成的结果OK，0则表示生成的结果不太行。
而之所以采用二元而非多值或连续输出这类更具描述性的奖励机制，原因和没有外部输入有关。
要在没有外部反馈的条件下进行自我反思，必须将答案限制在二元状态下，只有这样，才能迫使LLM做出有意义的推断。
在自我评估结束之后，如果二元奖励机制输出为1，则不启动自我反思装置，若为0，LLM则会开启反思模式。
在反思的过程中，模型会触发一个启发性函数h（如下），类比人类思考过程，h起到的作用就像是监督一样。
不过，同人类思考一样，LLM在反思的过程中同样也有局限性，这在函数中的Ω和ε中就能体现。
Ω表示重复连续动作的次数，一般会将这个数值设置为3，这表示反思过程中若重复一个步骤三次，会直接跳到下一个步骤。
而ε则表示在反思的过程中允许执行的最大操作数量。
既然有监督，那修正也必须执行，修正过程的函数是这样子的：
其中，自我反思模型是通过“特定领域的失败轨迹和理想反射对”训练而来的，并不允许访问数据集中给定问题的特定领域的解决方案。
这样一来，LLM在反思的过程中便能够迸发出更多有“创新性”的东西。
反思之后性能提升近30%
既然GPT-4这类LLM都能够进行自我反思了，那具体效果究竟如何？
研究团队在ALFWorld和HotpotQA基准上对这种方法进行了评估。
在HotpotQA的100个问答对测试中，使用Reflexion这种方法的LLM显示出了巨大的优势，再经过多轮反思重复提问之后，LLM的性能提升了接近30%。
而没有使用Reflexion，在重复问答之后，性能没有任何变化。
