智能体“自我纠错”循环的设计模式：何时重试、何时求助、何时报错？
1. 引入：从程序员改BUG的日常看智能体的核心能力
你有没有过这样的经历：用AI代码助手生成一段快速排序代码，第一次运行发现空列表输入直接报错，你指出问题后它立刻修改；第二次运行边界值测试还是不通过，它又调整了递归终止条件；第三次测试还是有性能问题，它没有继续瞎改，反而问你“我尝试了3次优化都没有达到O(nlogn)的平均时间复杂度，请问你是否允许使用额外的内存空间做辅助？”；如果你回复“不需要，我要原地排序的版本”，它就能快速生成正确的代码，如果你说“我也不懂”，它会直接告知“抱歉，当前我无法生成符合要求的原地快速排序代码，请你补充更多约束条件后再尝试”。
这个过程背后，就是智能体最核心的能力之一：自我纠错闭环（Self-Correction Loop, SCL）。不同于传统软件或者早期大模型应用只能做“单次推理-输出结果”的线性流程，具备自我纠错能力的智能体可以像人类一样感知偏差、调整策略、甚至主动寻求外部帮助，大幅提升开放场景下的任务成功率。
而整个闭环的核心决策问题只有三个：什么时候应该自己重试修正？什么时候应该主动求助外部？什么时候应该直接终止报错？这三个决策的合理性，直接决定了智能体的资源消耗、用户体验和任务成功率。本文将从基础概念、底层逻辑、工程实现、最佳实践四个维度，系统拆解智能体自我纠错循环的设计模式，帮你从零搭建一套可落地的智能体纠错框架。
2. 概念地图：自我纠错循环的核心框架
2.1 核心概念定义
我们先把整个体系的关键术语做统一澄清，避免后续理解偏差：
| 术语 | 定义 |
|---|---|
| 自我纠错循环（SCL） | 智能体在任务执行过程中，反复感知结果与目标的偏差、调整策略执行动作，直到任务成功、主动终止或外部中断的闭环流程 |
| 偏差感知 | 智能体将执行结果与量化目标对比，判断是否存在差距的过程，是整个循环的触发条件 |
| 置信度 | 智能体评估自己仅靠自身能力修正当前偏差的概率，取值范围0-1 |
| 决策阈值 | 区分重试/求助/报错三个动作的置信度边界，分为重试阈值（Th_r）和求助阈值（Th_h） |
| 重试成本（C_r） | 单次重试消耗的资源总和，包括token成本、计算资源、时间延迟 |
| 求助成本（C_h） | 单次求助消耗的资源总和，包括token成本、用户等待时间、打扰用户的体验损失 |
| 失败成本（C_f） | 任务最终失败带来的损失，包括用户失望、业务损失、人工介入成本 |
2.2 实体关系（ER）架构
整个自我纠错循环的实体关系如下所示：
