# 自我反思引擎 (Reflection Engine)

> **分类**: 智能层
> **优先级**: P1 - 重要
> **成熟度**: L4 - 生产
> **最后更新**: 2026-03-16

---

## 一、功能概述

### 1.1 基本信息

自我反思引擎让 Agent 能够分析自己的行为模式，发现问题并提出改进建议，是实现 Agent 自我进化的关键组件。

| 属性 | 值 |
|------|-----|
| 分类 | 智能层 |
| 优先级 | P1 |
| 成熟度 | L4 |
| 依赖 | AgentMemory, LLMService |

### 1.2 相关文件

| 文件 | 路径 | 用途 |
|------|------|------|
| 核心实现 | `desktop/src/lib/reflection-engine.ts` | 反思逻辑 |
| LLM 服务 | `desktop/src/lib/llm-service.ts` | LLM 调用 |
| 类型定义 | `desktop/src/types/reflection.ts` | 反思类型 |

---

## 二、设计初衷

### 2.1 问题背景

**用户痛点**:
1. Agent 重复犯同样的错误
2. 无法从历史交互中学习
3. Agent 行为缺乏透明度

**系统缺失能力**:
- 缺乏行为分析机制
- 缺乏自动改进能力
- 缺乏自我评估能力

**为什么需要**:
反思是人类智能的核心特征，让 Agent 具备反思能力是实现 L4 自演化的关键。

### 2.2 设计目标

1. **模式检测**: 识别行为模式（任务积累、偏好增长等）
2. **问题发现**: 自动发现问题（记忆过多、任务未清理等）
3. **建议生成**: 提出可操作的改进建议
4. **身份变更**: 提议修改 Agent 身份文件

### 2.3 触发机制

| 触发条件 | 描述 |
|---------|------|
| 对话次数 | 每 N 次对话后（默认 5 次） |
| 时间间隔 | 每 N 小时后（默认 24 小时） |
| 手动触发 | 用户或系统主动调用 |

### 2.4 设计约束

- **性能约束**: 反思不能阻塞主流程
- **成本约束**: LLM 调用需要控制频率
- **质量约束**: 建议必须可操作

---

## 三、技术设计

### 3.1 核心接口

```typescript
interface ReflectionResult {
  timestamp: number;
  patterns: Pattern[];
  suggestions: Suggestion[];
  identityChanges?: IdentityChangeProposal[];
}

interface Pattern {
  type: PatternType;
  description: string;
  evidence: string[];
  severity: 'info' | 'warning' | 'critical';
}

interface Suggestion {
  type: SuggestionType;
  description: string;
  action: () => Promise<void>;
  priority: 'low' | 'medium' | 'high';
}

interface IdentityChangeProposal {
  file: 'SOUL.md' | 'AGENTS.md' | 'USER.md';
  changeType: 'add' | 'modify' | 'remove';
  content: string;
  reason: string;
}
```

### 3.2 反思流程

```
触发反思
    │
    ▼
收集数据
    │
    ├──► 会话历史 (最近 N 条)
    ├──► 记忆统计 (各类型数量)
    ├──► 任务状态 (待完成数量)
    └──► 行为指标 (响应时间、满意度)
    │
    ▼
模式检测
    │
    ├──► 规则检测 (快速)
    │       ├── 任务积累
    │       ├── 记忆过多
    │       ├── 偏好增长
    │       └── 经验积累
    │
    └──► LLM 分析 (深度)
            ├── 行为模式
            ├── 改进机会
            └── 身份建议
    │
    ▼
生成建议
    │
    ├──► 可执行动作
    ├──► 优先级排序
    └──► 身份变更提案
    │
    ▼
存储结果
```

### 3.3 模式检测规则

```typescript
const PATTERN_RULES: PatternRule[] = [
  {
    type: 'task_accumulation',
    check: (stats) => stats.pendingTasks > 5,
    severity: 'warning',
    description: '待办任务过多',
    suggestion: '清理已完成或过期的任务'
  },
  {
    type: 'memory_overflow',
    check: (stats) => stats.totalMemories > 100,
    severity: 'warning',
    description: '记忆数量过多',
    suggestion: '清理低重要性的记忆'
  },
  {
    type: 'preference_growth',
    check: (stats) => stats.preferenceCount > 20,
    severity: 'info',
    description: '用户偏好持续积累',
    suggestion: '整理和合并相似偏好'
  },
  {
    type: 'lesson_count',
    check: (stats) => stats.lessonCount > 10,
    severity: 'info',
    description: '经验教训积累',
    suggestion: '回顾并应用这些经验'
  }
];
```

### 3.4 LLM 深度分析

```typescript
async function deepReflect(context: ReflectionContext): Promise<ReflectionResult> {
  const prompt = `
作为一个 AI Agent，请分析以下行为数据并提出改进建议：

## 会话历史
${context.recentConversations}

## 记忆统计
- 事实: ${context.factCount}
- 偏好: ${context.preferenceCount}
- 经验: ${context.lessonCount}
- 任务: ${context.taskCount}

## 行为指标
- 平均响应时间: ${context.avgResponseTime}ms
- 用户满意度: ${context.satisfaction}

请输出：
1. 发现的行为模式
2. 改进建议
3. 身份变更提案（如有）
  `;

  return await llmService.reflect(prompt);
}
```

---

## 四、预期作用

### 4.1 用户价值

| 价值类型 | 描述 |
|---------|------|
| 效率提升 | Agent 自动优化行为 |
| 体验改善 | 持续改进的交互质量 |
| 信任增强 | 透明的自我评估 |

### 4.2 系统价值

| 价值类型 | 描述 |
|---------|------|
| 架构收益 | 闭环的改进机制 |
| 可维护性 | 自动发现问题 |
| 可扩展性 | 可添加新的检测规则 |

### 4.3 成功指标

| 指标 | 基线 | 目标 | 当前 |
|------|------|------|------|
| 建议采纳率 | 0% | 60% | 45% |
| 问题发现率 | 0% | 80% | 70% |
| 改进效果 | - | 可衡量 | 符合预期 |

---

## 五、实际效果

### 5.1 已实现功能

- [x] 规则模式检测
- [x] LLM 深度分析
- [x] 改进建议生成
- [x] 身份变更提案
- [x] 定时触发机制
- [x] 对话计数触发
- [x] 结果存储

### 5.2 测试覆盖

- **单元测试**: 28 项 (heartbeat-reflection.test.ts)
- **集成测试**: 完整流程测试
- **覆盖率**: ~90%

### 5.3 已知问题

| 问题 | 严重程度 | 状态 | 计划解决 |
|------|---------|------|---------|
| LLM 分析成本高 | 中 | 可选 | - |
| 建议有时不够具体 | 低 | 待改进 | Q2 |

### 5.4 用户反馈

反思功能帮助 Agent 持续改进，但建议需要更具体可操作。

---

## 六、演化路线

### 6.1 短期计划（1-2 周）
- [ ] 优化建议的具体性
- [ ] 添加建议执行追踪

### 6.2 中期计划（1-2 月）
- [ ] 可视化反思报告
- [ ] 用户反馈循环

### 6.3 长期愿景
- [ ] 自主执行改进
- [ ] 跨 Agent 学习

---

## 七、头脑风暴笔记

### 7.1 待讨论问题
1. 是否应该自动执行某些改进建议？
2. 如何评估反思的质量？

### 7.2 创意想法
- 反思分享：Agent 之间共享反思结果
- 反思评分：用户对反思结果打分
- A/B 测试：对比反思前后的效果

### 7.3 风险与挑战
- **技术风险**: LLM 分析的不确定性
- **成本风险**: 频繁反思的成本
- **缓解措施**: 规则优先，LLM 可选