# Reflexion-patronen: agents zichzelf laten corrigeren [Naar de inhoud](#lm-inhoud)Netwerk/NL[EN](/en/)[Hubhub.llmnet.nlModellen vergelijken op taak, taal, kosten en licentie.](https://hub.llmnet.nl/)[Communitycommunity.llmnet.nlPrompttechnieken, patronen en systeemprompts.](https://community.llmnet.nl/)[APIapi.llmnet.nlLLM's robuust in software: rate limits, routing, structured output.](https://api.llmnet.nl/)[Consultancyconsultancy.llmnet.nlAI invoeren in een organisatie, van pilot tot productie.](https://consultancy.llmnet.nl/)[Nieuwsnieuws.llmnet.nlOntwikkelingen in AI, geduid voor Nederland.](https://nieuws.llmnet.nl/)[Benchmarkbenchmark.llmnet.nlZelf meten wat AI-kwaliteit is, voor jouw taken.](https://benchmark.llmnet.nl/)[Vacaturesvacatures.llmnet.nlAI-rollen, salarissen en carrièrepaden in Nederland.](https://vacatures.llmnet.nl/)[Lerenleren.llmnet.nlAI-concepten in gewoon Nederlands, van beginner tot bouwer.](https://leren.llmnet.nl/)[Gidsgids.llmnet.nlAI privé draaien op eigen Mac, pc, NAS of thuisserver.](https://gids.llmnet.nl/)[Directorydirectory.llmnet.nlHet AI-ecosysteem in kaart: tools, modellen, bedrijven.](https://directory.llmnet.nl/)[Radarradar.llmnet.nlSignalen uit X, onderzoek en communities voor indie developers.](https://radar.llmnet.nl/)[Appsapps.llmnet.nlReviews van AI-apps en open-source repo's, met tips voor wie zelf bouwt.](https://apps.llmnet.nl/)[llmnet.nl — hoofdsite](https://llmnet.nl/)[](https://x.com/intent/post?url=https%3A%2F%2Fcommunity.llmnet.nl%2Freflexion-patronen-agents-zichzelf-laten-corrigeren&text=Reflexion-patronen%3A%20agents%20zichzelf%20laten%20corrigeren)[](https://www.linkedin.com/sharing/share-offsite/?url=https%3A%2F%2Fcommunity.llmnet.nl%2Freflexion-patronen-agents-zichzelf-laten-corrigeren)[](https://www.reddit.com/submit?url=https%3A%2F%2Fcommunity.llmnet.nl%2Freflexion-patronen-agents-zichzelf-laten-corrigeren&title=Reflexion-patronen%3A%20agents%20zichzelf%20laten%20corrigeren)[](#)[](https://x.com/intent/post?url=https%3A%2F%2Fcommunity.llmnet.nl%2Freflexion-patronen-agents-zichzelf-laten-corrigeren&text=Reflexion-patronen%3A%20agents%20zichzelf%20laten%20corrigeren)[](https://www.linkedin.com/sharing/share-offsite/?url=https%3A%2F%2Fcommunity.llmnet.nl%2Freflexion-patronen-agents-zichzelf-laten-corrigeren)[](https://www.reddit.com/submit?url=https%3A%2F%2Fcommunity.llmnet.nl%2Freflexion-patronen-agents-zichzelf-laten-corrigeren&title=Reflexion-patronen%3A%20agents%20zichzelf%20laten%20corrigeren)[](#) # Reflexion-patronen: agents zichzelf laten corrigeren Door Ivo Donker — samengesteld met AI-ondersteuning (Claude & Gemini) Wanneer een taalmodel een complexe taak uitvoert, treden er onvermijdelijk redeneerfouten, foute gereedschapsaanroepen of ongeldige gegevensformaten op. In traditionele softwareomgevingen leidt dit tot harde exceptions of afbrekende scripts. In autonome AI-systemen levert een simpele herhaalpoging (retry) vaak weinig op: het model maakt met dezelfde invoerprompt simpelweg dezelfde fout opnieuw. Het Reflexion-patroon lost dit fundamentele probleem op door dynamische zelfreflectie te introduceren. In plaats van gewichten bij te werken via dure fine-tuning, leert het systeem tijdens runtime door fouten verbaal te analyseren en deze inzichten op te slaan in een tijdelijk episodisch geheugen. In dit artikel wordt stap voor stap uitgelegd hoe Reflexion-architecturen worden opgebouwd, welke componenten strikt noodzakelijk zijn, hoe het geheugen wordt beheerd en hoe valkuilen zoals oneindige reflectielussen worden vermeden. Wie de overstap maakt van losse prompts naar complexe regelsystemen, ontdekt hier hoe zelfcorrectie een agent robuust maakt tegen onvoorspelbare invoer. ## De anatomie van het Reflexion-raamwerk Het Reflexion-patroon splitst de uitvoering van een taak op in drie afzonderlijke rollen: de Actor, de Evaluator en het Self-Reflection model. Deze scheiding voorkomt dat een model zijn eigen werk kritiekloos goedkeurt en zorgt voor een reproduceerbare feedbackcyclus. De interactie verloopt volgens een vast ritme: - De Actor genereert acties: De Actor ontvangt de initiële taak en eventuele eerdere reflecties uit het geheugen. Op basis hiervan genereert hij een antwoord, voert hij een reeks functie-aanroepen uit of levert hij gestructureerde code op. - De Evaluator toetst de uitkomst: De Evaluator inspecteert de geproduceerde output. Dit kan een deterministische test zijn (zoals een linter, unit-test of schema-validator) of een LLM-gebaseerde beoordelaar. De uitkomst is een binair succes/faal-signaal of een specifieke foutmelding met details. - De Reflector analyseert de mismatch: Faalt de taak, dan krijgt de Reflector de taakomschrijving, het gefaalde traject en de foutmelding van de Evaluator. De Reflector genereert een beknopte, constructieve analyse waarin exact staat wat er fout ging en hoe de volgende poging moet worden aangepast. - Geheugenopslag: Deze reflectietekst wordt toegevoegd aan een episodische buffer en direct meegegeven aan de Actor voor de volgende iteratie. Voor een breder overzicht van hoe loops en toestandsmachines zich verhouden tot statische prompts, lees je het fundament in [van prompt- naar graph-engineering](https://community.llmnet.nl/van-prompt-naar-graph-engineering). ## Waarom gewone prompt-loops falen zonder verbale reflectie Veel ontwikkelaars bouwen een eenvoudige feedbackloop waarin bij een foutmelding simpelweg de ruwe traceback terug naar het model wordt gestuurd met de mededeling: "Dit faalde, probeer het opnieuw". In de praktijk blijkt dit opmerkelijk ineffectief bij complexe redeneertaken. Zonder expliciete reflectiestap blijft de aandachtsverdeling (attention mechanism) van het model gefixeerd op zijn eerdere redeneerpad. Het cruciale verschil zit in de verbale representatie van de fout. Door het model te dwingen een tussentijdse analyse te formuleren ("Ik koos API-methode X omdat ik aannam dat parameter Y optioneel was, maar de validatie vereist parameter Y. Bij de volgende poging moet ik eerst parameter Y opvragen"), wordt de context getransformeerd. De gegenereerde reflectie fungeert als een dynamische systeeminformatie die het model helpt om niet opnieuw in dezelfde logische valkuil te stappen. Een gedetailleerde uitwerking van basale tool-aanroepen en planningsstructuren staat beschreven in [promptpatronen voor AI-agents](https://community.llmnet.nl/prompt-patronen-voor-agents). ## Het episodisch reflectiegeheugen beheren Het episodisch geheugen vormt het werkgeheugen van de Reflexion-agent gedurende één specifieke taak. Omdat elk contextvenster eindig is en onnodige tokens de kosten opdrijven, kan niet elk mislukt tussenresultaat integraal in de prompt blijven staan. Het geheugen moet compact en gefocust blijven. Er zijn twee gangbare strategieën voor geheugenbeheer in productiesystemen: - Schuivend venster (FIFO): Alleen de laatste twee of drie reflecties worden bewaard. Oudere fouttrajecten worden weggegooid. Dit houdt de prompt kort, maar brengt het risico met zich mee dat een agent na vier pogingen een eerdere fout herhaalt. - Semantische reflectie-aggregatie: Na elke mislukte poging vat de Reflector eerdere reflecties samen tot één geconsolideerde lijst met geleerde lessen en beperkingen. Hierdoor blijft het aantal tokens nagenoeg constant, ongeacht het aantal iteraties. Geheugenstrategie | Token-impact | Complexiteit | Geschikt voor | Volledige geschiedenis | Zeer hoog (exponentieel) | Laag | Korte taken (maximaal 2 iteraties) | Schuivend venster (k=2) | Laag (lineair begrensd) | Laag | Standaard codegeneratie en parsing | Geaggregeerde lessen | Constant | Gemiddeld | Complexe multi-step onderzoekstaken | ## Evaluatormechanismen: Deterministisch versus LLM-as-a-Judge De betrouwbaarheid van een Reflexion-loop staat of valt met de kwaliteit van de Evaluator. Wanneer de Evaluator onterecht een foutieve oplossing goedkeurt (false positive) of een correcte oplossing afkeurt (false negative), raakt de agent ontregeld. In robuuste architecturen wordt altijd de voorkeur gegeven aan deterministische evaluatoren waar dat mogelijk is. Denk aan JSON Schema-validatie, TypeScript-compilatietests of sandbox-uitvoeringen met Pytest. Deterministische evaluatoren leveren ondubbelzinnige feedback op en verbruiken geen extra tokens voor de beoordelingsstap. Wanneer de kwaliteit van vrije tekst, samenvattingen of creatieve argumentatie moet worden beoordeeld, is een deterministische check ontoereikend. In die gevallen wordt een secundair taalmodel ingezet als LLM-as-a-Judge. De prompt voor deze evaluator moet strikte rubrieken bevatten met binaire scoringscriteria. Vermijd vage instructies zoals "Beoordeel of dit antwoord goed is"; definieer in plaats daarvan expliciete controlepunten (bijvoorbeeld: "Bevat het antwoord alle drie de verplichte bronnen? Is het formaat strikt Markdown? Bevat het geen hallucinaties ten opzichte van de meegegeven context?"). Voor specifieke patronen rondom directe schema-reparaties zonder volledige geheugenbuffer raadpleeg je de gids over [herstelprompts bij gefaalde validatie van LLM-output](https://community.llmnet.nl/herstelprompts-bij-gefaalde-validatie-van-llm-output). ## Implementatie: Een complete Reflexion-loop in Python Hieronder staat een concreet, modulair Python-voorbeeld waarin een agent een datatransformatie-opdracht uitvoert. De loop combineert een Actor, een deterministische validator en een Reflector die bij fouten direct feedback genereert en opslaat. import json from typing import List, Dict, Any, Optional class ReflexionEngine: def __init__(self, llm_client, max_trials: int = 3): self.llm = llm_client self.max_trials = max_trials self.reflections: List[str] = [] def execute_task(self, instruction: str) -> Optional[Dict[str, Any]]: for trial in range(1, self.max_trials + 1): # 1. Actor genereert output met historische reflecties actor_prompt = self._build_actor_prompt(instruction) candidate_output = self.llm.generate(actor_prompt) # 2. Evaluator valideert het resultaat is_valid, error_log = self._evaluate(candidate_output) if is_valid: return json.loads(candidate_output) # 3. Reflector analyseert de fout bij mislukking if trial < self.max_trials: reflection = self._reflect(instruction, candidate_output, error_log) self.reflections.append(f"Poging {trial} fout: {reflection}") return None def _build_actor_prompt(self, instruction: str) -> str: memory_context = "\n".join(self.reflections) return f"""Taak: {instruction} Lessen uit eerdere mislukte pogingen: {memory_context if memory_context else "Geen eerdere pogingen."} Genereer uitsluitend geldige JSON die voldoet aan de taakeisen.""" def _evaluate(self, raw_output: str) -> (bool, str): try: data = json.loads(raw_output) if "id" not in data or "status" not in data: return False, "Sleutels 'id' en 'status' zijn verplicht." if not isinstance(data["id"], int): return False, "Veld 'id' moet een integer zijn." return True, "" except json.JSONDecodeError as err: return False, f"Ongeldige JSON syntaxis: {str(err)}" def _reflect(self, task: str, failed_output: str, error: str) -> str: reflect_prompt = f"""Je bent een reflectiemodel. Analyseer de fout. Taak: {task} Gefaalde output: {failed_output} Foutmelding: {error} Geef een bondige analyse van maximaal twee zinnen: wat ging er mis en welke specifieke wijziging lost dit op in de volgende poging?""" return self.llm.generate(reflect_prompt) ## Valkuilen: Reflectie-drift, vicieuze cirkels en hallucinatie Hoewel Reflexion de nauwkeurigheid van agents aanzienlijk kan verhogen, brengt het ook specifieke faalmechanismen met zich mee die actief beheerd moeten worden: - Hallucinatie van de reflectie (Reflectie-drift): De Reflector bedenkt een onjuiste verklaring voor de fout (bijvoorbeeld: "De query faalde omdat de tabel niet bestaat", terwijl de query faalde door een ontbrekende komma). De Actor neemt deze onjuiste aanname blindelings over en probeert het probleem op te lossen op een plek waar geen fout zit. - Vicieuze correctiecirkels: De agent wisselt af tussen twee foutieve toestanden. In poging 1 gebruikt hij methode A (faalt op geheugen), in poging 2 reflecteert hij en kiest methode B (faalt op timeout), en in poging 3 reflecteert hij opnieuw en valt terug op methode A. - Over-correctie: Na een minimale foutmelding herschrijft de agent zijn volledige redeneerpad, waardoor correcte tussenstappen verloren gaan. Om deze problemen te beteugelen, worden drie mitigerende maatregelen toegepast: - Temperatuurverlaging: Zet de temperatuur van de Reflector lager (bijvoorbeeld tussen 0.0 en 0.2) dan die van de Actor. Dit dwingt analytische, deterministische analyses af. - Harde faallimiet: Stel het maximaal aantal pogingen strikt in op 3 tot 5. Meer iteraties leveren zelden alsnog een doorbraak op en leiden tot tokenverspilling. - Backtracking en deterministische contextinjectie: Geef de Reflector altijd de exacte foutmeldingen van het onderliggende systeem mee, zodat hij niet hoeft te raden naar de oorzaak. Wie dieper wil ingaan op vastlopende cycli en oneindige aanroepen, vindt praktische diagnostiek in het artikel over [agentic loops debuggen](https://community.llmnet.nl/agentic-loops-debuggen). ## Kosten, latency en prestatie-afwegingen in productie Het introduceren van een Reflexion-loop brengt substantiële kosten en latency met zich mee. Elke extra poging vereist minimaal twee LLM-aanroepen (één voor de Reflector en één voor de nieuwe poging van de Actor). Bij een taak die pas na drie iteraties slaagt, kan het totale tokenverbruik verviervoudigen ten opzichte van een single-shot aanroep. Architectuurpatroon | Gemiddelde latency | Relatieve kosten | Succespercentage complexe taken | Single-shot prompting | Laag (1x) | 1x (basis) | Matig tot laag | Chain-of-Thought (statisch) | Laag tot gemiddeld (1.5x) | 1.5x | Gemiddeld | Naïeve retry-loop | Hoog (3x - 5x) | 3x - 5x | Matig | Reflexion (Actor + Reflector) | Hoog (3x - 6x) | 3.5x - 7x | Hoog | De afweging is daarom helder: Reflexion is zelden geschikt voor latency-gevoelige, interactieve toepassingen zoals realtime chatapplicaties voor consumenten. Het patroon blinkt echter uit in asynchrone achtergrondprocessen, zoals geautomatiseerde coderefactoring, complexe ETL-extractiepijplijnen en rapportgeneratie waarbij een foutieve uitkomst handmatige menselijke interventie zou vereisen. ## Reflexion-agents testen en monitoren Omdat een agent met een Reflexion-patroon over meerdere iteraties redeneert, is traditionele input/output-monitoring ontoereikend. Het volstaat niet om alleen te controleren of de uiteindelijke uitkomst klopt; het traject ernaartoe moet inzichtelijk zijn. Belangrijke metrieken om bij te houden tijdens het testen van reflectielussen: - First-Trial Accuracy: Het percentage taken dat direct bij de eerste poging zonder reflectie slaagt. Een lage score wijst op tekortkomingen in de basisprompt van de Actor. - Reflection Recovery Rate: Het percentage taken dat na een initiële fout alsnog succesvol wordt afgerond dankzij reflectie. Dit is de directe graadmeter voor de effectiviteit van de Reflector. - Loop Exhaustion Rate: Hoe vaak de maximale iteratielimiet wordt bereikt zonder dat een geldige oplossing is gevonden. - Token Multiplier: De verhouding tussen de verbruikte tokens bij succesvolle first-trial runs en runs die door de reflectieloop gaan. Om systematisch te meten of de introductie van reflectiestappen je slagingspercentage verhoogt zonder de kosten onevenredig op te drijven, bekijk je de meetmethoden in het overzicht van [agent-evaluatie en trajectanalyse](https://benchmark.llmnet.nl/agent-evaluatie). ## Praktische vuistregels voor implementatie Bij het ontwerpen van zelfcorrigerende agent-architecturen bieden de volgende richtlijnen houvast: - Houd reflecties beknopt: Instrueer het reflectiemodel om in maximaal twee zinnen de kernfout en de oplossing te formuleren. Lange essays vervuilen de context en leiden tot verlies van focus bij de Actor. - Isoleer de evaluatie: Laat de Actor nooit zichzelf beoordelen. Gebruik deterministische code of een strikt geprompt evaluator-model. - Verwijder ruwe foutlogs na reflectie: Zodra de Reflector een nuttige synthese heeft gemaakt van een traceback, hoeft de honderd regels tellende foutmelding niet langer in het contextvenster te blijven staan. De beknopte reflectie is voldoende. - Stel harde grenzen aan iteraties: Beperk het aantal pogingen tot maximaal drie voor standaardtaken en maximaal vijf voor zware programmeertaken. Door deze ontwerpprincipes consistent toe te passen, transformeert een kwetsbare reeks LLM-aanroepen in een veerkrachtig, zelflerend systeem dat zelfstandig herstelt van onvoorziene fouten.