Reflexion ist eine Technik aus der Forschung zu KI-Agenten, bei der ein Sprachmodell aus seinem eigenen Scheitern lernt — ohne dass Gewichte angepasst werden. Stattdessen formuliert der Agent nach jedem Versuch eine schriftliche Selbstreflexion und nutzt sie im nächsten Anlauf als zusätzlichen Kontext.
Verbal Reinforcement statt Gewichts-Update
Vorgestellt wurde Reflexion 2023 von Noah Shinn und Kollegen (arXiv 2303.11366, NeurIPS 2023). Das Papier beschreibt Verbal Reinforcement Learning: Die Rückmeldung der Umgebung (etwa ein Fehler beim Kompilieren oder eine falsche Antwort) wird in sprachliches Feedback übersetzt. Der Agent hält seine Reflexionen in einem episodischen Gedächtnis-Puffer und greift in den nächsten Episoden darauf zurück.
Die Ergebnisse waren deutlich: Auf dem Programmier-Benchmark HumanEval erreichte Reflexion 91 % pass@1 und übertraf damit das damalige GPT-4 (80 %). Auch bei sequenziellen Entscheidungen (ALFWorld) und Sprach-Reasoning (HotPotQA) verbesserte die Technik die Erfolgsquote spürbar.
Der Reflexions-Zyklus
- Actor: Das Modell führt eine Aufgabe aus und erzeugt eine Lösung oder Aktion.
- Evaluator: Eine Heuristik oder ein Test prüft, ob das Ergebnis korrekt ist.
- Self-Reflection: Bei Fehlern analysiert das Modell die Ursache und speichert eine verbale Lektion.
- Memory: Die Reflexion wird im nächsten Versuch in den Prompt eingefügt.
Abgrenzung und Einordnung
Reflexion ist ein Muster für Agenten-Workflows und baut auf ReAct auf (Reasoning + Acting als Schleife). Anders als Tree of Thoughts sucht Reflexion nicht mehrere Pfade parallel ab, sondern wiederholt denselben Pfad mit besserem Kontext. Zusammen mit Self-Consistency gehört es zu den Techniken, die die Zuverlässigkeit von LLMs ohne Training steigern.
Verwandte Grundlagen: Chain-of-Thought, Prompting-Techniken, Prompt. Auch die Chain-of-Verification und das Least-to-Most-Prompting gehören in diese Familie der Reasoning-Techniken.