🔄 Agent Self-Correction

"智能体自我修正" - 犯错不可怕，可怕的是不知道自己错了，还一错到底

错误修正 Reflection 自愈能力 OpenClaw

📌 定义

Agent Self-Correction（智能体自我修正）是指AI Agent在执行任务过程中，能够自动检测错误、分析原因、调整策略并重新执行的能力。它通过内部反思机制或外部反馈机制，实现从"失败→分析→修正→成功"的闭环迭代，显著提升任务完成率和输出质量。

🎭 为什么自我修正如此重要？

就像你炒菜时放多了盐——第一次你可能察觉不到，吃一口发现咸了，脑子里闪过"我放多了"，然后下次炒菜放盐时会手抖一下少放点。Agent Self-Correction就是给Agent装上这个"尝一口→反思→调整"的反馈回路，让它从盲目执行者变成有学习能力的执行者。

没有自我修正的Agent vs 有自我修正的Agent

场景无修正有修正
代码生成语法错误报错停止读取错误→修改→重试
搜索结果不相关返回错误内容分析→改关键词→重搜
JSON解析失败任务中断修复JSON→继续
API超时直接报错切换策略→降级处理
任务成功率~60%~90%

🛠️ 自我修正的三层机制

第一层：错误检测（Error Detection）

// 错误检测模块
function detectError(result, expectedFormat) {
  // 类型检查
  if (expectedFormat.type && typeof result !== expectedFormat.type) {
    return { error: 'TYPE_MISMATCH', expected: expectedFormat.type, actual: typeof result };
  }
  
  // 格式检查（如JSON）
  if (expectedFormat.isJSON) {
    try { JSON.parse(result); }
    catch(e) { return { error: 'JSON_PARSE_ERROR', message: e.message }; }
  }
  
  // 内容检查
  if (expectedFormat.requiredFields) {
    const missing = expectedFormat.requiredFields.filter(f => !result[f]);
    if (missing.length) return { error: 'MISSING_FIELDS', fields: missing };
  }
  
  return null; // 无错误
}

第二层：错误分析（Error Analysis）

// 使用LLM分析错误原因
async function analyzeError(error, context) {
  const analysisPrompt = `
分析以下执行失败的原因，并提出修正建议：

错误信息：${error.message}
执行上下文：${JSON.stringify(context)}

请输出：
1. 错误原因（一句话）
2. 修正策略（具体可执行）
3. 需要调整的参数或输入
`;
  
  const analysis = await llm.complete(analysisPrompt);
  return parseAnalysis(analysis);
}

第三层：策略调整（Strategy Adjustment）

// 根据错误类型选择修正策略
const correctionStrategies = {
  'JSON_PARSE_ERROR': async (input) => {
    // 策略1: 尝试修复JSON
    const fixed = attemptJSONFix(input);
    if (fixed) return fixed;
    
    // 策略2: 请求LLM重新生成
    return await llm.complete(`修复以下JSON：${input}`);
  },
  
  'RATE_LIMIT': async (context) => {
    // 策略: 等待后重试或切换模型
    await sleep(60000); // 等待1分钟
    return { retry: true, model: 'backup-model' };
  },
  
  'TOOL_NOT_FOUND': async (toolName) => {
    // 策略: 搜索替代工具
    const alternatives = findAlternativeTools(toolName);
    return alternatives[0];
  }
};

async function applyCorrection(error, context) {
  const strategy = correctionStrategies[error.type];
  if (strategy) return await strategy(context);
  
  // 默认策略：重新执行
  return { retry: true };
}

🔄 Self-Correction Loop完整实现

// 自我修正循环
class SelfCorrectingAgent {
  private maxRetries = 3;
  
  async executeWithCorrection(task, validator) {
    let attempts = 0;
    let result;
    let error;
    
    while (attempts < this.maxRetries) {
      attempts++;
      
      // 执行任务
      result = await this.execute(task);
      
      // 验证结果
      error = validator(result);
      if (!error) {
        console.log(`任务成功，尝试次数：${attempts}`);
        return result;
      }
      
      // 分析错误
      const analysis = await this.analyzeError(error, { task, result, attempts });
      
      // 调整策略
      task = this.adjustTask(task, analysis);
      
      console.log(`第${attempts}次尝试失败，原因：${analysis.reason}`);
      console.log(`修正策略：${analysis.strategy}`);
    }
    
    throw new Error(`任务失败，已尝试${attempts}次`);
  }
  
  adjustTask(originalTask, analysis) {
    return {
      ...originalTask,
      correctionHint: analysis.strategy,
      previousError: analysis.reason
    };
  }
}

🔧 OpenClaw实战配置

OpenClaw在Agent配置中内置了自我修正参数，启用后Agent会自动进行错误检测和修正尝试。 
# openclaw-agent.yaml
agent:
  name: "self-correcting-agent"
  
  # 自我修正配置
  self_correction:
    enabled: true
    max_retries: 3
    retry_delay: 2000  # 毫秒
    
    # 验证规则
    validators:
      - type: "json_schema"
        schema: "./schemas/output.json"
      - type: "content_length"
        min: 100
        max: 5000
      - type: "required_keywords"
        keywords: ["summary", "conclusion"]
    
    # 修正策略
    strategies:
      json_error: "regenerate"
      timeout: "switch_model"
      rate_limit: "wait_retry"
      tool_error: "find_alternative"
    
    # 学习记录
    learning:
      enabled: true
      memory_file: "./corrections-memory.md"

📊 自我修正效果统计

错误类型首次成功率修正后成功率提升幅度
JSON格式错误65%92%+27%
API超时70%95%+25%
工具调用失败75%88%+13%
内容质量不达标60%85%+25%
综合成功率~68%~90%+22%

⚠️ 常见踩坑与最佳实践

踩坑一：修正变成无限循环
Agent尝试修正→修正失败→再次修正→又失败...循环往复。必须设置最大重试次数（建议3-5次）和超时限制。
踩坑二：修正消耗大量Token
每次修正都需要调用LLM分析，3次修正可能消耗首次执行2-3倍的Token。建议预算中预留修正Token开销，或使用轻量模型做错误分析。
踩坑三：修正策略不对症
JSON错误用重试解决、超时用重新生成解决——策略选择错误会让修正效率低下。建议根据错误类型建立策略映射表。
最佳实践：
  • 区分"可修正错误"和"不可修正错误"，后者应直接上报
  • 修正时携带错误历史，帮助LLM理解上下文
  • 建立修正日志，分析高频错误类型优化系统
  • 关键任务启用HITL，修正后人工确认
  • 修正成功后记录经验到长期记忆

🔗 相关术语

延伸阅读

Agent Error Handling Agent Fault Tolerance Agent Failure Modes Agent Testing OpenClaw自我修正配置指南