1. 原目录

hello-agents/docs/chapter7/第七章 构建你的Agent框架.md at main · datawhalechina/hello-agents · GitHub

2. 补充代码

# my_reflection_agent.py
"""重写的 Reflection Agent - 执行-反思-优化循环"""

import string
from typing import Optional, Dict
from hello_agents import ReflectionAgent, HelloAgentsLLM, Config, Message
from hello_agents.agents.reflection_agent import Memory


class MyReflectionAgent(ReflectionAgent):
    """
    重写的 Reflection Agent
    基于框架 ReflectionAgent，实现「初始执行 → 反思 → 优化」迭代循环
    """

    def __init__(
        self,
        name: str,
        llm: HelloAgentsLLM,
        system_prompt: Optional[str] = None,
        config: Optional[Config] = None,
        max_iterations: int = 3,
        custom_prompts: Optional[Dict[str, str]] = None,
    ):
        super().__init__(
            name=name,
            llm=llm,
            system_prompt=system_prompt,
            config=config,
            max_iterations=max_iterations,
            custom_prompts=custom_prompts,
        )
        prompt_type = "自定义" if custom_prompts else "默认"
        print(f"✅ {name} 初始化完成，最大迭代: {max_iterations}，提示词: {prompt_type}")

    def run(self, input_text: str, **kwargs) -> str:
        """运行 Reflection Agent：初始执行 → 反思 → 优化"""
        print(f"\n🤖 {self.name} 开始处理任务: {input_text}")

        self.memory = Memory()

        # 1. 初始执行
        print("\n--- 正在进行初始尝试 ---")
        initial_prompt = self._format_prompt("initial", task=input_text)
        initial_result = self._get_llm_response(initial_prompt, **kwargs)
        self.memory.add_record("execution", initial_result)

        # 2. 迭代：反思 → 优化
        for i in range(self.max_iterations):
            print(f"\n--- 第 {i + 1}/{self.max_iterations} 轮迭代 ---")

            print("\n-> 正在进行反思...")
            last_result = self.memory.get_last_execution()
            reflect_prompt = self._format_prompt(
                "reflect",
                task=input_text,
                content=last_result,
                code=last_result,
            )
            feedback = self._get_llm_response(reflect_prompt, **kwargs)
            self.memory.add_record("reflection", feedback)

            if self._should_stop(feedback):
                print("\n✅ 反思认为结果已无需改进，任务完成。")
                break

            print("\n-> 正在进行优化...")
            refine_prompt = self._format_prompt(
                "refine",
                task=input_text,
                last_attempt=last_result,
                last_code_attempt=last_result,
                feedback=feedback,
                content=last_result,
            )
            refined_result = self._get_llm_response(refine_prompt, **kwargs)
            self.memory.add_record("execution", refined_result)

        final_result = self.memory.get_last_execution()
        print(f"\n--- 任务完成 ---\n最终结果:\n{final_result}")

        self.add_message(Message(input_text, "user"))
        self.add_message(Message(final_result, "assistant"))

        return final_result

    def _format_prompt(self, stage: str, **kwargs) -> str:
        """格式化提示词，仅传入模板中实际使用的占位符"""
        template = self.prompts[stage]
        formatter = string.Formatter()
        field_names = {
            field_name
            for _, field_name, _, _ in formatter.parse(template)
            if field_name
        }
        filtered = {k: v for k, v in kwargs.items() if k in field_names}
        return template.format(**filtered)

    def _should_stop(self, feedback: str) -> bool:
        """判断反思反馈是否表示无需继续优化"""
        stop_phrases = ("无需改进", "不需要改进", "无须改进", "已经很好")
        feedback_lower = feedback.lower()
        return any(p in feedback for p in stop_phrases) or "no need for improvement" in feedback_lower

    def _get_llm_response(self, prompt: str, **kwargs) -> str:
        """调用 LLM，可选注入 system_prompt"""
        messages = []
        if self.system_prompt:
            messages.append({"role": "system", "content": self.system_prompt})
        messages.append({"role": "user", "content": prompt})
        return self.llm.invoke(messages, **kwargs) or ""

    def get_trajectory(self) -> str:
        """获取完整的执行-反思轨迹"""
        return self.memory.get_trajectory()

3. 运行结果

# python test_reflection_agent.py 
✅ 我的反思助手 初始化完成，最大迭代: 3，提示词: 默认
✅ 我的代码生成助手 初始化完成，最大迭代: 3，提示词: 自定义

🤖 我的反思助手 开始处理任务: 写一篇关于人工智能发展历程的简短文章

--- 正在进行初始尝试 ---
📝 记忆已更新，新增一条 'execution' 记录。

--- 第 1/3 轮迭代 ---

-> 正在进行反思...
📝 记忆已更新，新增一条 'reflection' 记录。

-> 正在进行优化...
📝 记忆已更新，新增一条 'execution' 记录。

--- 第 2/3 轮迭代 ---

-> 正在进行反思...
📝 记忆已更新，新增一条 'reflection' 记录。

-> 正在进行优化...
📝 记忆已更新，新增一条 'execution' 记录。

--- 第 3/3 轮迭代 ---

-> 正在进行反思...
📝 记忆已更新，新增一条 'reflection' 记录。

-> 正在进行优化...
📝 记忆已更新，新增一条 'execution' 记录。

--- 任务完成 ---
最终结果:
当然可以！根据反馈意见，我对文章进行了结构优化、内容补充和语言简化，添加了开头引入段落，细化了时间节点划分，补充了1980年代神经网络发展及第二次AI寒冬，均衡介绍了专业术语，并在未来展望中加入了具体案例说明。以下是改进后的版本：

---

# 人工智能发展历程简述