反思怎样通过外部验证变成改进
反思输出“报告更准确了”是另一次模型判断。可检验的修订应指向具体缺口，例如缺少来源、测试不通过或任务漏项，并给出下一次修改。验证器用独立规则检查，连续无改进时停止，保留最好版本而不是最后版本。
保留最好版本
下面完整实验以必须出现的两个来源标记作为狭窄质量规则。它不能判断事实正确，只证明控制器不会把较差候选覆盖最好结果。
python
def score(text):
return int("[A]" in text) + int("[B]" in text)
def improve(candidates, patience=2):
best, best_score, stagnant = "", -1, 0
for text in candidates:
value = score(text)
if value > best_score:
best, best_score, stagnant = text, value, 0
else:
stagnant += 1
if best_score == 2:
return best, "verified"
if stagnant >= patience:
return best, "no_progress"
return best, "budget_exhausted"
assert improve(["x [A]", "x", "y"])[0] == "x [A]"
assert improve(["x [A]", "x", "y"])[1] == "no_progress"
assert improve(["x [A]", "x [A] [B]"])[1] == "verified"
print("best version retained")评分函数是外部规则，不读候选中的“我已满足要求”。但它只检查标记存在，伪造标记也会通过，因此生产引用检查应加载文档、核对 ID 与对应命题。代码任务运行测试，订单任务查询业务系统；不同目标不能统一成一个“自信分数”。
记忆写入需要证据门槛
工作记忆保存当前计划，情景记忆保存过去任务的步骤和结果，语义记忆保存可引用事实，用户记忆保存授权偏好。反思“改小超时后成功”可能只是外部服务恢复，不能立刻写成通用经验。记录条件、实验、反例与有效期，跨任务复用前重新检查适用性。
失败分类决定修订：缺资料先检索，工具限流退避，权限不足结束或授权升级，目标漂移回到原约束，计划环路修改依赖。浏览器或代码 Agent 的反馈必须来自真实页面状态、文件差异或测试，不把工具退出零等同于目标完成。多模态任务还要区分 OCR 误读和模型推理错误。
传统“循环直到模型说 done”的程序可先保留原模型接口，仅加入外部验收与无进展计数，观察相同任务是否更早停止；随后再迁移到图式执行，避免一次改变过多因素导致无法归因。
练习
把正文评分目标改成必须包含[A]、[B]、[C]三项。实现独立函数，测试分数倒退不丢最好版本，三项齐全才 verified。