English:

The agent generates 5 creative campaign ideas for a cosmetics product launch. Then, using self-consistency logic, it:

– evaluates each for completeness and strength,

– selects the top 2,

– and synthesizes a composite concept from them.

→ Такой модуль заменяет субъективный отбор и усиливает прозрачность выбора в агенте.

Применение в MAS (мультиагентной системе)

Русский: Генератор-агент создаёт 3 сценария развития стартапа. Аналитик-агент сравнивает их по ключевым метрикам (срок окупаемости, уровень риска, масштабируемость).

Оценщик формирует итог: «Сценарий 2 более устойчив, но Сценарий 3 имеет наибольший потенциал при достаточном финансировании. Рекомендую гибридную стратегию.»

English:

A scenario generator agent creates 3 startup development paths.

An analyst agent compares them using key metrics (ROI time, risk, scalability).

Evaluator summarizes: “Scenario 2 is more stable, but Scenario 3 has higher upside with funding. Recommend a hybrid strategy.”

→ Self-consistency prompting реализуется как логика согласования и отбора внутри агентной экосистемы.

Побудить модель к анализу собственного ответа: выявить ошибки, слабые места, логические сбои и предложить улучшение. Увеличивает точность, надёжность и интерпретируемость reasoning-вывода.

– После генерации ответа, если он вызывает сомнения

– При обучении модели действовать «как критик» своих решений

– Внутри reasoning loop, как этап самопроверки

– Для создания агентов, способных учиться на ошибках

– При генерации программного кода, стратегий, планов, где важна верификация

Проанализируй свой предыдущий ответ:

– какие логические допущения ты сделал?

– возможны ли ошибки или слабые места?

– как можно улучшить этот ответ?

Reflect on your previous answer:

– What assumptions did you make?

– Are there any weaknesses or potential errors?

– How would you revise it to improve accuracy or clarity?

Reflexion prompting активирует мета-уровень reasoning:

– Модель интерпретирует собственный вывод как внешний текст

– Анализирует его по заданным критериям

– Формулирует замечания, улучшения или полный пересмотр

– Может перейти к самогенерации улучшенного ответа

Этот паттерн усиливает способность модели к внутренней самокритике, особенно в сложных цепочках с промежуточными рассуждениями.

Модель может «притворяться» критичной, не выявляя реальных слабых мест

Возможна имитация саморефлексии без настоящей переоценки

При частом применении – рост количества токенов без пропорционального улучшения

Требуется чёткая постановка критериев оценки и качества

– Self-consistency prompting – можно сравнить результат до и после рефлексии

– Step-back prompting – близко по цели, но более направлено на смену перспективы

– Auto-correction loops – reflexion может быть встроена как этап цикла

– Reverse prompting – позволяет посмотреть, как бы модель пересформулировала задачу

– Prompt ranking – может использоваться для выбора до/после рефлексии

– Reflexion – критически важный этап reasoning-цикла в агентных системах, особенно перед финальным выводом.

– Может быть реализован как отдельный агент-критик в MAS: получает результаты от других агентов, анализирует, предлагает улучшения.

– В продуктах с высоким требованием к качеству (финансовые отчёты, код, стратегии) позволяет автоматизировать ревью и self-review.

– Используется для создания reasoning loops с inner reward shaping, где качество промежуточного вывода влияет на поведение в следующем шаге.