我们在前面的提示词工程的课程中，介绍过反思机制这种智能体工程化结构。通俗来说，它不仅会按照常规流程基于模型决策执行任务，还会在每轮输出后对自己的回答进行反思，判断答案是否完整、逻辑是否清晰、结论是否可靠，如果发现不足，会自动生成反馈并进行修正，从而迭代出更高质量的结果。
到这里我们是不是可以发现，ReflectionAgent 是不是和我们之前的 ReactAgent很像，只是在其基础上增加了自我评估与修正能力。
大家应该还记得之前课程中介绍过的 Spring AI 的 Advisor 机制，也就是在模型调用前后增加一些特殊处理，形成一串责任链，按顺序执行。那么我们的反思机制其实也是可以基于 Advisor 来实现的。那到底是在模型调用前，还是模型调用后，来增加反思机制呢？
答案就是模型调用后，每次模型生成最终回答后，ReflectionAgent 会先检查结果是否达到预期标准，而不是盲目直接输出。如果回答未达标，Agent 会将反思反馈注入到下一轮推理中，引导模型重新规划任务或调用工具。
当然，增加反思机制后，智能体的响应时间会更长。因此在实际应用中，我们需要根据业务场景灵活选择：如果任务对输出质量要求高、响应可以异步处理，就可以使用 ReflectionAgent；如果更注重响应速度和用户体验，则直接使用 ReactAgent 的流式输出即可。
ReflectionAgent
ReflectionAgent 本质上是对 SimpleReactAgent 的封装，通过组合（delegate）的方式将反思能力叠加在原有 ReactAgent 上。它本身不直接处理工具调用或流式逻辑，而是把这些交给 SimpleReactAgent 去做，ReflectionAgent 负责在外层管理反思机制和轮次控制。 从 Builder 的实现可以看到，改造主要分为三个层次： - 属性配置：除了 React Agent 的基础配置外，还需增加：最大反思轮次maxReflectionRounds，防止无限调用，陷入死循环，默认设置成1，确保至少反思一次，。 - Advisor 增强：放开ChatClient的 advisors 注入配置，并再次基础上，自动注入ReflectionAdvisor，使得每次模型输出后都能进行自我评估。 - 代理 SimpleReactAgent：通过 Builder 构建一个带有反思功能的 SimpleReactAgent，并用 ReflectionAgent 封装。这样，调用 call() 时，实际上是先执行原有 React 流程，然后通过 Advisor 检查结果，如果需要反思，则注入反馈并进行下一轮推理。 通过这种方式，ReflectionAgent 实现了在不改动核心 ReactAgent 逻辑的前提下，轻松加上自我反思与迭代修正能力，结构清晰、可扩展性强。
public
finalAdvisors
}
ReflectionAdvisor
ReflectionAdvisor是实现反思机制的核心组件，它是基于 Spring AI 的 CallAdvisor 机制，在每次模型生成输出后介入，对回答进行评估。它的主要职责是判断当前回答是否满足用户原始问题的预期标准。如果通过评估，则直接返回原始响应；如果未通过，则生成简短且可执行的反馈，并将其注入到下一轮推理中，引导模型重新规划任务或调用工具。通过 reflect() 方法，调用 ChatModel 将用户问题和当前回答组成 prompt，调用模型生成反思结果，这边需要注意的是，最好生成结构化的数据，因为这样更方便于我们后面的状态判断，也就是将输出转换为ReflectionJudgement 对象。Advisor 还会在响应上下文中设置 reflection.required 和 reflection.feedback 标记，让下一轮大模型迭代方便判断状态。
public
你是一个严格的智能体反思评估专家。
请判断【当前回答】是否已经充分、准确地满足【用户问题】。
评估标准：
【你必须且只能输出一个 JSON 对象，格式如下】
禁止输出任何额外文本。
log
log
## 用户问题：
## 当前回答：
## 输出format
}
SimpleReactAgent
我们还需要对 SimpleReactAgent 的核心 call 流程进行一定的增强，改造从第58行开始，主要体现在三方面： - 增加迭代轮次控制：引入 reflectionRound 来记录当前反思轮次，每次模型生成最终答案后，如果反思机制要求重新规划任务，就会进入下一轮迭代，直到达到 maxReflectionRounds 限制，防止无限循环。 - 判断是否进入反思模式：通过 Advisor 注入的上下文信息 reflection.required 和 reflection.feedback 来判断本轮回答是否需要反思。 - 补充上下文信息：如果当前回答未通过评估，会获取反馈并注入到下一轮上下文中，引导模型重新规划和决策。将这些反馈信息都封装成 AssistantMessage，并追加到 messages 中。这样不仅保证下一轮推理有完整的历史信息，也让反思的结果能被模型观察到，形成完整的反思机制闭环。
public
messages
messages
messages
messages
chatMemory
round
log
messages
你已达到最大推理轮次限制。
请基于当前已有的上下文信息，
直接给出最终答案。
禁止再调用任何工具。
如果信息不完整，请合理总结和说明。
reflectionRound
log
log
chatMemory
messages
【
请你根据以上反思意见重新规划任务，
必要时可以重新调用工具，
然后再给出最终答案。
chatMemory
messages
chatResponse
log
messages
toolCall
log
result
safeJson
messages
}
系统提示词
我们基于之前的提示词，增加一部分“反思机制”的提示词，用于扩展模型回复的能力，防止模型认为反思不通过或达到最大迭代轮次，则选择不回复不总结的情况。
public
## 角色
你是一个严格遵循
## 工具调用规则（极其重要）
## 工具执行结果
系统会自动将工具执行结果作为
## 最终答案规则
## 强制要求（必须遵守）
## 反思机制
如果在反思过程中，助手判断当前回答未能完全满足用户问题，或者达到最大反思轮次，你必须遵循以下规则：
Builder
我们对 SimpleReactAgent 的Builder 也需要做一定的处理增强，增加 maxReflectionRounds 和 Advisor：
public
}
public
// if (tools == null || tools.isEmpty()) {
// throw new IllegalArgumentException("tools 不能为空！");
// }
}
到这里我们的改造基本就完成了，可以看到我们的 SimpleReactAgent 增加了 Advisor 机制，这为后续能力增强提供了非常便利的入口，比如可以轻松实现日志打印、上下文记忆压缩、请求拦截等功能。而 ReflectionAgent 则完全是建立在 SimpleReactAgent 之上的封装，它通过增加反思评估与迭代能力，让模型在每轮回答后能够自我检查、生成反馈并进行修正，从而输出更高质量、更可靠的结果。 这样一来，我们既保持了 SimpleReactAgent 的核心 ReAct 架构和工具调用能力，又在此基础上实现了可控的自我优化，形成了一个清晰、可扩展、同时支持高级功能的智能体结构。
效果演示
与SimpleReactAgent的调用方式类似，我们只需要构建 ChatModel 和 tools 就可以直接轻松使用ReflectionAgent的能力。
public
opts
opts
opts
请你根据北京今天的天气、未来七天的天气趋势、以及上海今天的天气，并搜索北京天气的预警情况，生成一份不少于
}
因为我们的工具都是模拟数据，非常适合验证反思机制的场景，因为模型的反思肯定会觉得工具的返回结果不够完整（因为我是写死的）。
从图中的结果，我们可以明显看到，再第一轮使用 WeatherQueryTool 和 SearchTool 工具的时候，反思机制判断未通过，第二轮，又发起调用了 SearchTool，说明我们的 SearchTool 这个模拟写死的数据查询是有问题的，达到最大迭代次数后，智能体进行了强制输出。这也反映出，我们的反思机制是有效的，如果是使用真实的工具，如调用 tavily search 等，反思机制会持续的增强我们的上下文，提升我们的回答质量。
总结
ReflectionAgent 是基于 SimpleReactAgent 的增强版本，它在每轮输出后会对模型的回答进行自我评估，如果发现答案不够完整或存在问题，会生成反馈并引导模型重新规划任务或调用工具，从而迭代出更高质量的结果。这一机制通过 Advisor 实现，插入在模型调用之后，保证了反思判断与上下文注入的灵活性。 基于 ReactAgent 的架构，我们可以在其上扩展出各种场景的智能体，比如 Plan & Execute、DeepResearch 等。所有增强功能本质上都是围绕 ReactAgent 和 Advisor 机制进行组合，实现上下文管理、工具调用和策略控制，从而快速构建出适应不同业务需求的智能体。