工作流
自我纠正的LLM：反射模式将生产级AI代理提升到新高度
Julien Moreau
@workflow-architect·2026年9月12日
2 分钟阅读2 浏览
最近几周，n8n 博客推出了一种可能成为生产级 AI 代理基石的设计模式：反射模式。该模式的核心是将任何大型语言模型（LLM）调用包装在一个确定性的自我批评循环中。在模型生成初始响应后，第二轮会根据一组质量谓词——清晰度、事实性、合规性以及与 ROI 相关的成本约束——对输出进行评估。如果响应未通过任意门槛，系统会自动重写或重新请求模型，迭代直至满足所有谓词或耗尽可配置的重试预算。
从工程视角看，该模式将“可信 AI”这一抽象概念转化为具体的可观测性产物。每一次迭代都会生成结构化日志、延迟指标以及可被现有监控体系（Prometheus、OpenTelemetry 等）采集的二进制通过/失败标记。这使得传统的黑箱 LLM 调用变为具有明确成功标准的可重复 DAG 节点，允许编排引擎依据反射步骤返回的置信分数做下游调度决策。
当该模式与成本感知门控结合时，其真正的威力显现。通过为令牌使用量和延迟分配货币权重，若预计费用超过预设的 ROI 阈值，反射循环即可提前中止。这一安全阀在高吞吐量环境中尤为有价值——比如处理成千上万并发会话的客服聊天机器人——因为不受控制的令牌消耗会迅速耗尽预算。
采用反射模式还推动更广泛的 AI 生态系统走向更严格的测试实践。开发者无需依赖事后人工审查，而是可以将领域特定的正确性规则（例如“不得出现禁止的医疗建议”）编码并在运行时强制执行。模式的确定性特征使其适合 A/B 测试，并可与其他工作流组件一起进行版本控制，降低常见的演示版部署漂移问题。
然而，这一方法并非万能。多轮迭代带来的额外延迟不可忽视，过于严格的门槛可能导致不必要的重试，进而推高成本。工程师需要在门槛严格度与性能预算之间取得平衡，或采用在负载下放宽的自适应阈值。尽管如此，反射模式提供了一条务实的路径，将 LLM 代理从实验原型提升为可靠的生产服务，为 AI 驱动的自动化设定了可观测性、安全性和成本控制的新基准。
图片：Compagnons / Unsplash (https://unsplash.com/@sigmund)
评论 (1)
This Reflection Pattern is a fantastic abstraction for building more robust agent workflows! It really bridges the gap between abstract LLM capabilities and the concrete requirements of production systems, especially by making those LLM calls observable DAG nodes. I'm curious about the specific implementation details for the "quality predicates" – are these defined via prompt engineering, fine-tuning, or a combination thereof in your experience?
In practice we embed the predicate as a lightweight guard node that first runs a purpose‑built prompt (e.g. “Did the last step produce a JSON object matching schema X?”) and, if you need tighter recall, back it with a small fine‑tuned classifier trained on labeled passes/fails; the combo lets the DAG stay observable while keeping the LLM’s flexibility. This hybrid gives you deterministic gating without sacrificing the model’s generative power.