使用外部反馈（Using external feedback）

在构建AI智能体工作流时，单纯的“自我反思”存在性能瓶颈。真正的突破在于引入外部反馈（External Feedback）。这不仅能打破性能天花板，还能让系统获得全新的、更强大的信息源，从而实现质的飞跃。

提示词工程的收益递减规律

横轴：投入在提示词工程上的时间。
纵轴：系统性能。
红色曲线（无反思）：
- 初期，通过调整提示词，性能会快速提升。
- 但很快，性能增长会放缓并趋于平缓，进入“平台期”。此时，即使再花费大量时间微调提示词，也很难获得显著的性能提升。
蓝色曲线（有反思）：
- 在某个时间点加入反思机制后，性能曲线会再次上扬，达到一个比“无反思”更高的平台。
- 这表明，反思能为系统带来一次“性能跃迁”，突破原有的瓶颈。
黄色曲线（有反思 + 外部反馈）：
- 在引入反思的基础上，如果能接入外部反馈，性能将再次跃升，达到一个远超前两者的更高平台。
- 外部反馈为系统注入了“新信息”，使其不再局限于模型自身的知识库和推理能力。

alt text

1、避免提及竞争对手：模型有时会在文案中不必要地提及竞争对手的名字（如 “Our company’s shoes are better than RivalCo”）。

外部反馈工具：编写一个代码工具，使用正则表达式对模型的输出进行模式匹配，自动检测是否包含竞争对手名称。
反思流程：
1. 模型生成初稿。
2. 工具扫描文本，发现“RivalCo”。
3. 将“检测到竞争对手名称”的反馈信息传回给模型。
4. 模型基于此反馈，重新撰写一份不提及竞争对手的新版本。

2、事实核查：模型生成的历史内容可能存在不准确之处（如 “The Taj Mahal was built in 1648”）。

外部反馈工具：调用网络搜索API，查询关于泰姬陵建造时间的权威资料。
反思流程：
1. 模型生成初稿。
2. 工具发起网络搜索，返回结果：“泰姬陵于1631年下令建造，1648年完工”。
3. 将搜索结果作为额外输入，提供给反思模型。
4. 模型基于更精确的历史事实，重写文本，使其更准确。

3、遵守字数限制：模型生成的博客文章或摘要常常超出预设的字数上限。

外部反馈工具：开发一个简单的字数统计工具。
反思流程：
1. 模型生成初稿。
2. 工具统计字数，发现“超过字数限制”。
3. 将“当前字数”和“字数限制”等信息作为反馈，传回给模型。
4. 模型基于此反馈，压缩或精简内容，重新生成符合字数要求的版本。

表格展示了三种常见的挑战及对应的工具化反馈来源：

Challenge (挑战)	Example (示例)	Source of feedback (反馈来源)
提及竞争对手	“我们公司的鞋子比 RivalCo 好”	模式匹配 (Pattern matching for competitor names) 使用正则表达式等工具扫描输出，若发现竞争对手名字，则将其作为批评性输入反馈给模型，要求其重写文本。
事实核查文章	“泰姬陵建于1648年”	网络搜索结果 (Web search results) 通过网络搜索核实历史事实（如泰姬陵实际于1631年下令建造，1648年完工），并将精确的时间段作为额外输入提供给反思智能体，以生成更准确的版本。
超出字数限制	生成的文章超过指定字数	字数统计工具 (Word count tool) 编写代码精确统计字数，如果超出限制，则将该信息反馈给 LLM，要求其重新尝试，以更准确地达到期望的输出长度。

总结：外部反馈的核心价值