反思式推理如何与 RAG、工具调用等其他推理增强技术结合使用？

1. Self-RAG：反思驱动的检索增强

Self-RAG 将反思机制应用于 RAG 流程，解决了传统 RAG 的单次检索-单次生成模式的局限。在传统 RAG 中，系统一次性检索固定文档集然后生成答案，无法判断检索到的信息是否充分或相关。

Self-RAG 引入了内部的反思循环：模型生成一段文本后，退一步审视自己的推理，标注哪些部分需要更多证据支撑，然后主动发起新一轮检索。这种"生成-反思-再检索"的模式显著提升了回答的事实准确性和完整性。

2. 反思与 ReAct 的互补集成

ReAct 框架擅长在开放环境中通过交替推理和行动来解决问题，但其局限在于不会回头审视已犯的错误。将反思机制叠加到 ReAct 之上，形成了"思考-行动-观察-反思-改进"的增强循环：

• ReAct 提供实时的工具调用和环境交互能力
• 反思机制提供跨轮次的错误学习和策略优化能力
• 两者结合后，Agent 既能动态获取新信息，又能从失败中积累经验

在生产实践中，ReAct + Reflexion 被视为 2026 年单 Agent 系统的黄金组合。

3. 与 Tree-of-Thoughts 的分层协作

对于需要探索多条推理路径的复杂问题，可将反思机制与 Tree-of-Thoughts 结合使用：Tree-of-Thoughts 负责在广度上探索多种可能的推理方向，而反思机制在每个节点上进行深度评估和剪枝。这种分层架构在数学证明和创意写作等高难度任务上表现优异，但计算成本也相应增加。