Agentic 设计模式一：Reflection。不追求一次完成；内省，才是做事对的方式。

Agentic 设计模式系列的第二篇，聚焦 Reflection。这是 Andrew NG 在 deeplearning.ai 上分享的内容。

咱们先搞清楚一个概念：Agentic 编程，本质上是基于大语言模型（LLM）的应用开发，跟传统的基于程序语言的编程完全是两码事。所以，过去那些经典的设计模式，拿到这儿来基本用不上。

现在，在以 LLM 为“操作系统”的开发范式里，主流的设计思路是模仿人类怎么组织、处理具体任务的。说白了，就是把人类工作的方法论，搬给 LLM 去执行。

Reflection，翻译成“内省”，其实特别贴切。它就是人类把一件事踏踏实实做好的核心方法。想想看，小到讨论一个旅行方案、一次头脑风暴，大到开发一个互联网产品，我们哪次不是靠敏捷迭代、不断调整来逼近最终目标的？这背后的底层逻辑，就是 Reflection —— 内省，不断优化迭代，而不是指望一次就搞定。这才是做事的正道。

文章里拿编程任务举了个例子，把这个模式怎么落地讲得很清楚：

1. 第一步，没啥新鲜的，就是清晰定义任务提示词，比如“请为{任务}写代码”。这就像做敏捷产品开发，流程可以敏捷，但产品需求不能模糊、不能水。
2. 接着，需要引入另一个角色对现有方案进行“挑刺”。可以是同事做 Code Review，可以是用户给反馈，不同场景下角色不一样。
3. 然后，根据这些反馈，不断打磨和优化任务结果。
4. 最后，重复第二步和第三步，直到结果令人满意为止。

这个 Reflection 模式简单、直观，而且说实话，很多实际应用已经在这么干了。模式介绍的部分到这儿基本讲完了，下面稍微做点延伸思考。

LLM 是用大量人类自然语言数据训练出来的，它处理任务的方式其实跟人类已经很接近了。它可能也会被意识形态（取决于训练数据）所影响，但至少目前来看，它还没有人类的“自私”动机，也没有“屁股决定脑袋”的冲动。所以，单论执行任务这件事，LLM 理论上比人类更有优势。

换句话说，这反过来也验证了 Reflection 的必要性和有效性。而且这套逻辑完全可以扩展到人类工作和生活的其他方面。别指望一次性把事情做到完美，也别指望一夜暴富，相信一步一个脚印、持续优化的复利效应。你想想，马斯克的星舰不就是在一次次的爆炸声中，把这个原则践行到了极致吗？

References

[1] Agentic Design Patterns Part 2, Reflection: https://www.deeplearning.ai/the-batch/agentic-design-patterns-part-2-reflection/