Cos'è il reflection pattern?

Il reflection pattern è un meccanismo agentico in cui un modello linguistico genera un primo output, poi lo critica da solo individuando errori o punti deboli, e infine produce un tentativo raffinato tenendo conto di quella critica: un ciclo generate, critique, refine che può ripetersi più volte prima di consegnare il risultato finale. A differenza di un singolo passaggio inferenziale, qui l'agente valuta il proprio lavoro con un secondo giro di prompt dedicato alla revisione. Il contributo specifico del paper Reflexion (Shinn et al., NeurIPS 2023) è la memoria episodica: le auto-critiche verbali di un tentativo non vengono scartate, ma conservate come testo e riusate come contesto nei tentativi successivi sullo stesso compito, senza aggiornare i pesi del modello. È un ciclo esplicito e osservabile, tipicamente gestito tramite prompt, distinto sia dalla pianificazione a monte sia dal ragionamento interno di un singolo modello.

Perché un solo tentativo non basta

Un modello che risponde in un unico passaggio non ha modo di accorgersi dei propri errori: se sbaglia un calcolo, dimentica un vincolo o produce codice che non compila, quell'errore arriva intatto all'utente finale. Il reflection pattern introduce un controllo di qualità interno all'agente: prima di consegnare, il sistema si chiede esplicitamente "questo output è corretto? cosa manca? cosa non torna?" e usa la risposta per correggersi. Non sostituisce la validazione umana o i test automatici, ma riduce gli errori grossolani che arrivano fin lì, perché intercetta le sviste più evidenti prima che il risultato esca dall'agente.

Un esempio enterprise

Un agente che genera codice per una funzione interna a un sistema aziendale non si ferma al primo output: dopo aver scritto la funzione, la rilegge con un prompt di revisione che verifica casi limite, gestione degli errori e coerenza con le convenzioni del progetto, e riscrive le parti che non superano questo controllo. Lo stesso schema si applica a un agente che produce un report finanziario: genera una prima bozza, si autocritica su coerenza dei numeri e chiarezza espositiva, poi la corregge. Se l'agente incontra un compito simile in futuro, la memoria delle critiche passate (cosa era andato storto e come è stato corretto) resta disponibile come contesto, invece di ripartire da zero ogni volta. Questo va tenuto distinto dalla catena di ragionamento interna di un modello, che avviene prima di rispondere e dentro il modello stesso, e dalla task decomposition, che pianifica i passi da fare prima ancora di generare un primo output.

Perché conta per chi decide

Un agente che si autocorregge prima di consegnare riduce il carico di revisione umana sulle sviste più comuni, ma introduce un costo reale: ogni ciclo di critica e correzione consuma altri token e altro tempo, quindi va limitato a un numero massimo di iterazioni e monitorato come qualunque altro componente dell'agent harness. Chi valuta un sistema agentico dovrebbe chiedere non solo se produce un buon output, ma se e come si autovaluta prima di presentarlo, e se le critiche passate vengono effettivamente riutilizzate o si perdono a ogni nuova sessione.