前言：從「臨機應變」到「學會改進」

在 昨天 (Day 8)，我們介紹了 ReAct Pattern：AI 能邊思考邊行動，像個導遊一樣在旅程中隨機應變。
例如旅行途中，臨時發現 美景宮休館，它就能刪掉該行程、改排其他景點；下雨時，會自動延長交通時間。

這讓 AI 不再只是「一次性規劃」的 Planning，而是真正能隨情境調整。

然而 ReAct 的應變只停留在「當下」。任務結束後，AI 並不會回頭檢討：

• 是否繞了遠路？
• 是否少了備案？
• 下次遇到同樣情境，有沒有更好的處理方式？

這就像旅人每天出門都能隨機應變，但從不記錄經驗，隔天還是會掉進相同的坑。
為了讓 AI 不只是「臨時解決」，更能「累積經驗、持續成長」，我們需要 Reflection Pattern。

Reflection Pattern 是什麼？

核心概念

Reflection（反思） 就是讓 AI 在完成任務後，回頭檢視自己的思考與結果，找出不足並提出改進建議。

通常包含三個步驟：

1. Review（回顧）
   檢視剛剛的推理、行動與輸出。

2. Critique（檢討）
   找出錯誤、疏漏或效率不佳的地方。

3. Refine（改進）
   給出更好的答案，或把經驗記錄下來，留待未來重用。

圖：Reflection 的三步驟流程 —— Review（回顧）、Critique（檢討）、Refine（改進）。AI 不僅完成任務，還能透過這個循環不斷優化輸出。

範例（旅遊情境）

假設 AI 規劃了一份行程：

[
  {"place": "美泉宮", "minutes": 120},
  {"place": "聖史蒂芬大教堂", "minutes": 120}
]

看似合理，但透過 Reflection，AI 會檢討：

Review: 行程包含兩個主要景點，各停留 2 小時。
Critique: 沒有計算交通時間，也缺乏下雨時的室內備案。
Refine: 應加入交通時間，並多提供一個博物館作為備選。

改進後的結果：

[
  {"place": "美泉宮", "minutes": 120},
  {"place": "交通（美泉宮 → 聖史蒂芬大教堂）", "minutes": 45},
  {"place": "聖史蒂芬大教堂", "minutes": 120},
  {"place": "維也納博物館 (備選)", "minutes": 90}
]

差別很明顯：

• ReAct → 解決「當下問題」
• Reflection → 解決「下次更好」

Demo：反思讓 AI 修正超時行程

以下的範例展示了 Reflection 的威力：

• 初始行程 → 依照要求排滿景點與午餐，但總時間超過 18:00。
• 模擬檢查 → 發現超時。
• Reflection → AI 自我檢討，並縮短時間、加入調整。
• 改進後行程 → 可行且更合理。

程式碼範例

import google.generativeai as genai
import json
from datetime import datetime, timedelta

# ---- 初始化 LLM ----
genai.configure(api_key="你的_API_KEY")
llm = genai.GenerativeModel("gemini-2.0-flash")

# ---- 工具函式：清理 LLM 輸出的 JSON ----
def clean_json_str(raw: str) -> str:
    raw = raw.strip()
    if raw.startswith("```"):
        raw = raw.split("```")[1]
        raw = raw.replace("json", "", 1).strip()
    return raw

# ---- Step 1: 初始行程（模擬 ReAct 輸出，但會超時） ----
init_prompt = """
請幫我規劃今天從上午 9 點出發的行程，包含：
- 上午參觀美泉宮（Schönbrunn Palace）
- 下午參觀聖史蒂芬大教堂（St. Stephen's Cathedral）
- 午餐在市中心的餐廳用餐

條件：
- 每個景點建議 5 小時
- 午餐建議 2 小時
- 景點與餐廳之間交通各 30 分鐘
- 必須在 18:00 前結束

請只輸出 JSON 格式，欄位為 place, minutes。
"""

init_response = llm.generate_content(init_prompt).text
raw = clean_json_str(init_response)

try:
    plan = json.loads(raw)
except Exception as e:
    print("初始行程 JSON 解析失敗：", e)
    plan = []

print("=== 初始行程 ===")
print(json.dumps(plan, ensure_ascii=False, indent=2))


# ---- 行程模擬器 ----
def simulate_schedule(plan, title="行程模擬"):
    print(f"\n=== {title} ===")
    time = datetime.strptime("09:00", "%H:%M")
    end = datetime.strptime("18:00", "%H:%M")

    for task in plan:
        duration = task["minutes"]
        finish = time + timedelta(minutes=duration)
        print(f"{time.strftime('%H:%M')}–{finish.strftime('%H:%M')} {task['place']}")
        time = finish

    feasible = time <= end
    print("\n行程可行！" if feasible else "\n行程超時！")
    return feasible


# ---- Step 2: 模擬初始行程 ----
if plan:
    feasible = simulate_schedule(plan, "初始行程模擬")
    if not feasible:
        print("\n初始行程超時，進入 Reflection 檢討...\n")


# ---- Step 3: Reflection 讓 LLM 檢討與改進 ----
refined_plan = []
if plan:
    reflection_prompt = f"""
你剛完成以下一日行程規劃：
{plan}

規劃今天從上午 9 點出發的行程，包含：
  - 上午參觀美泉宮（Schönbrunn Palace）
  - 下午參觀聖史蒂芬大教堂（St. Stephen's Cathedral）
  - 午餐在市中心的餐廳用餐

任務原始條件：
- 每個景點建議 5 小時
- 午餐建議 2 小時
- 景點與餐廳之間交通各 30 分鐘
- 必須在 18:00 前結束

請進行 Reflection：
1. 回顧這份計劃的優點與缺點。
2. 找出可能的問題（例如是否超時，時間分配是否合理）。
3. 提供改進後的版本（JSON 格式，結構與原本相同）。
"""
    reflection_response = llm.generate_content(reflection_prompt).text
    print("=== Reflection Output ===")
    print(reflection_response)

    if "[" in reflection_response and "]" in reflection_response:
        try:
            refined_str = reflection_response.split("[", 1)[1]
            refined_str = "[" + refined_str.split("]", 1)[0] + "]"
            refined_str = clean_json_str(refined_str)
            refined_plan = json.loads(refined_str)
        except Exception as e:
            print("\n改進後行程 JSON 解析失敗：", e)


# ---- Step 4: 模擬改進後的行程 ----
if refined_plan:
    simulate_schedule(refined_plan, "改進後行程模擬")

輸出結果

初始行程模擬超時：進入 Reflection

圖：初始行程模擬結果。因為每個景點都分配了 5 小時，加上交通與午餐，共計 13.5 小時，最終到晚上 22:30 才能結束，明顯超過「18:00 前結束」的限制，觸發 Reflection 檢討。

在初始行程模擬中，雖然 AI 正確規劃了美泉宮、聖史蒂芬大教堂與午餐，也包含交通，但因為我們刻意給了過長的景點時間（各 5 小時），導致總長度高達 13.5 小時，最終要到晚上 22:30 才能結束，明顯超過「18:00 前結束」的條件，因此被判定為超時。這樣的結果正好說明了 LLM 雖然能生成看似完整的答案，但仍可能在約束條件下失敗。

Reflection 檢討修正：調整後行程可行

圖：經過 Reflection 檢討後的改進結果。AI 主動縮短景點遊覽時間並調整交通分配，最終行程在 18:00 前結束，從「超時失敗」轉為「可行」。

進入 Reflection 後，AI 主動檢討並提出改善：縮短美泉宮至 4 小時、聖史蒂芬大教堂至 1.75 小時，並微調午餐與交通時間。最終行程在 18:00 前剛好結束，從「失敗」轉為「可行」。這不只是單純的重算，而是透過 回顧 → 分析 → 改進 的過程，讓 AI 展現出學習與調整的能力。

小結：Reflection 的價值

• ReAct → 當下靈活（避免即時出錯）
• Reflection → 事後學習（避免重蹈覆轍）
• ReAct + Reflection → 學習循環（從經驗中持續改進）

在今天的 Demo 裡，我們刻意設計了「景點時間過長 → 導致超時」的問題。雖然初始行程看似完整，但不可行；透過 Reflection，AI 主動檢討並調整，最終行程成功在 18:00 前完成。這證明了 Reflection 不只是格式修飾，而是能夠提升 可行性與可靠性。

這個能力不只用在旅遊情境：無論是程式 Debug、知識問答，或決策流程優化，Reflection 都能幫助 AI 在任務後自我檢討，持續進步。

這正是讓 AI 從「助手」進化為「隊友」的關鍵一步。

下一步，我們將探討 Memory（記憶） —— 讓 AI 不僅會反思，還能把經驗保存下來，未來遇到相似情境能直接調用，真正做到「越用越聰明」。

圖：維也納中央咖啡館（Café Central）。 高聳拱頂下的燈火與人聲，營造出既熱鬧又沉思的氛圍。這裡曾是許多思想家與文人的聚會場所，他們在交流與對話中反思過去、構想未來。就像 Reflection Pattern 的精神：AI 在完成任務後，不僅要回顧經驗，更要提煉改進，才能持續成長。（攝影：作者自攝）