Agent Framework 自我改进模式 构建 Agent 自优化闭环
在许多 LLM 应用中，单次生成往往难以稳定满足质量要求。模型可能遗漏约束、表达不够清晰，或者在复杂任务中产生不完整的结果。为了提高输出质量，一个常见思路是将“生成”与“评审”拆开：先由一个模型完成初稿，再由另一个模型审查结果、提出反馈，并在必要时触发修订。
这种思路通常被称为 Reflection（反思）。Reflection 指的是一次 LLM 生成之后，紧接着触发另一次基于前一次输出结果的评审或反思。第二个 LLM 不直接完成原始任务，而是针对第一个 LLM 的输出给出批评、建议或改进方向。
Writer–Critic 正是 Reflection 模式在多 Agent 协作中的一种典型实现：Writer 负责生成内容，Critic 负责评审内容，并根据评审结果决定是否进入下一轮修订。通过“生成—评审—修订”的闭环，系统可以在多轮迭代中逐步提升内容质量。
在 AutoGen 或 Agent Framework 的上下文中，这种模式可以被实现为一组协作 Agent。它们持续交互，直到达到某个停止条件，例如内容通过评审，或者达到最大迭代次数。Agent Framework 为这一模式提供了工程化实现方式：基于条件路由的工作流图、跨执行步骤的共享状态、结构化输出以及流式响应。
Writer–Critic 工作流的需求
本文示例实现的是一个可迭代的内容评审系统。
需求如下：
-
用户输入一个写作主题或写作请求。
-
Writer Agent 根据用户请求生成初稿。
-
Critic Agent 对 Writer 生成的内容进行评审。
-
如果内容不符合要求，Critic Agent 返回具体反馈。
-
Writer Agent 根据反馈对内容进行修订。
-
Writer 与 Critic 持续循环，直到内容通过评审，或达到最大迭代次数。
-
内容通过后，Summary Agent 输出最终版本。
我们定义Writer Agent，首先Writer Agent 接收一个字符串输入，代表用户的初始写作请求。Writer Agent 生成的内容以 ChatMessage 对象的形式输出，供后续的 Critic Agent 评审使用。
Writer Agent 定义如下：
internal sealedpartialclassWriterExecutor : Executor
{
privatereadonly AIAgent _agent;
public WriterExecutor(IChatClient chatClient) : base("Writer")
{
this._agent = new ChatClientAgent(
chatClient,
name: "Writer",
instructions: """
你是一个熟练的写作者。根据用户请求创建清晰、有吸引力的内容。
如果收到反馈，请仔细修改内容以解决所有问题。
保持相同的主题和长度要求。
"""
);
}
[MessageHandler]
public async ValueTask<ChatMessage> HandleInitialRequestAsync(
string message,
IWorkflowContext context,
CancellationToken cancellationToken = default)
{
returnawaitthis.HandleAsyncCoreAsync(new ChatMessage(ChatRole.User, message), context, cancellationToken);
}
[MessageHandler]
public async ValueTask<ChatMessage> HandleRevisionRequestAsync(
CriticDecision decision,
IWorkflowContext context,
CancellationToken cancellationToken = default)
{
string prompt = "根据以下反馈修改内容：\n\n" +
$"反馈: {decision.Feedback}\n\n" +
$"原始内容:\n{decision.Content}";
returnawaitthis.HandleAsyncCoreAsync(new ChatMessage(ChatRole.User, prompt), context, cancellationToken);
}
private async Task<ChatMessage> HandleAsyncCoreAsync(
ChatMessage message,
IWorkflowContext context,
CancellationToken cancellationToken)
{
FlowState state = await FlowStateHelpers.ReadFlowStateAsync(context);
Console.WriteLine($"\n=== 写作者 (迭代 {state.Iteration}) ===\n");
StringBuilder sb = new();
awaitforeach (AgentResponseUpdate update inthis._agent.RunStreamingAsync(message, cancellationToken: cancellationToken))
{
if (!string.IsNullOrEmpty(update.Text))
{
sb.Append(update.Text);
Console.Write(update.Text);
}
}
Console.WriteLine("\n");
string text = sb.ToString();
state.History.Add(new ChatMessage(ChatRole.Assistant, text));
await FlowStateHelpers.SaveFlowStateAsync(context, state);
returnnew ChatMessage(ChatRole.User, text);
}
}WriterExecutor 继承自 Executor，并通过构造函数创建内部的 ChatClientAgent。这个 Agent 的系统指令定义了 Writer 的角色：根据用户请求生成清晰、有吸引力的内容，并在收到反馈时进行修订。
这里有两个公开的消息处理方法：
HandleInitialRequestAsync(string message, ...)
HandleRevisionRequestAsync(CriticDecision decision, ...)它们都使用了 [MessageHandler] 特性。Agent Framework 会根据进入该节点的数据类型，选择匹配的消息处理方法。
第一次进入 Writer 时，输入是用户的原始字符串，因此会调用：
HandleInitialRequestAsync(string message, ...)当 Critic 不通过并返回 CriticDecision 时，数据再次回到 Writer，这时会调用：
HandleRevisionRequestAsync(CriticDecision decision, ...)HandleAsyncCoreAsync 是内部复用的核心方法，不会被工作流框架直接调用。它负责：
-
真正调用 Writer Agent
-
流式接收模型输出
-
更新共享状态
-
返回生成后的 ChatMessage
需要注意的是，HandleAsyncCoreAsync 本身并不直接调用 Critic。它只是返回 Writer 生成的 ChatMessage。随后，工作流中定义的 writer -> critic 边会把这个返回值路由给 CriticExecutor。
Critic Agent：结构化评审与反馈
Critic Agent 负责审查 Writer 生成的内容，并返回结构化决策。
其输出类型是 CriticDecision：
internal sealedclassCriticDecision
{
[JsonPropertyName("approved")]
publicbool Approved { get; set; }
[JsonPropertyName("feedback")]
publicstring Feedback { get; set; } = "";
[JsonIgnore]
publicstring Content { get; set; } = "";
[JsonIgnore]
publicint Iteration { get; set; }
}其中：
Approved 表示内容是否通过评审。 Feedback 表示未通过时的修改建议。 Content 和 Iteration 是工作流内部使用的字段，不参与 JSON 结构化输出。
Critic Agent 定义如下：
internal sealedclassCriticExecutor : Executor<ChatMessage, CriticDecision>
{
privatereadonly AIAgent _agent;
public CriticExecutor(IChatClient chatClient) : base("Critic")
{
this._agent = new ChatClientAgent(chatClient, new ChatClientAgentOptions
{
Name = "Critic",
ChatOptions = new()
{
Instructions = """
你是一名建设性的评论者。请审查内容并提供具体反馈。
只有当内容经过至少 2 次修改后，才允许 approved 为 true。
如果是第一次审查，必须返回 approved=false，并给出具体修改建议。
请按照以下结构化格式给出你的判断：
approved：如果内容良好则为 true，如果需要修改则为 false
feedback：需要改进的具体建议（如果已批准则为空）
你的反馈应当简洁，但具体明确。
""",
ResponseFormat = ChatResponseFormat.ForJsonSchema<CriticDecision>()
}
});
}
public override async ValueTask<CriticDecision> HandleAsync(
ChatMessage message,
IWorkflowContext context,
CancellationToken cancellationToken = default)
{
FlowState state = await FlowStateHelpers.ReadFlowStateAsync(context);
Console.WriteLine($"=== 评论者 (迭代 {state.Iteration}) ===\n");
// 使用 RunStreamingAsync 获取流式更新，然后在末尾反序列化
IAsyncEnumerable<AgentResponseUpdate> updates = this._agent.RunStreamingAsync(message, cancellationToken: cancellationToken);
// 实时输出流式内容（例如推理或说明）
awaitforeach (AgentResponseUpdate update in updates)
{
if (!string.IsNullOrEmpty(update.Text))
{
Console.Write(update.Text);
}
}
Console.WriteLine("\n");
// 将流转换为响应，并反序列化结构化输出
AgentResponse response = await updates.ToAgentResponseAsync(cancellationToken);
CriticDecision decision = JsonSerializer.Deserialize<CriticDecision>(response.Text, JsonSerializerOptions.Web)
?? thrownew JsonException("无法从响应文本反序列化 CriticDecision。");
Console.WriteLine($" 决策: {(decision.Approved ? "✅ 已批准" : "❌ 需要修改")}");
if (!string.IsNullOrEmpty(decision.Feedback))
{
Console.WriteLine($"反馈: {decision.Feedback}");
}
Console.WriteLine();
// 安全措施：如果达到最大迭代次数，则自动批准
if (!decision.Approved && state.Iteration >= Program.MaxIterations)
{
Console.ForegroundColor = ConsoleColor.Yellow;
Console.WriteLine($"⚠️ 达到最大迭代次数 ({Program.MaxIterations}) - 自动批准");
Console.ResetColor();
decision.Approved = true;
decision.Feedback = "";
}
// 仅在拒绝时递增迭代次数（将回到 Writer）
if (!decision.Approved)
{
state.Iteration++;
}
// 将决策存入历史记录
state.History.Add(new ChatMessage(ChatRole.Assistant,
$"[决策: {(decision.Approved ? "已批准" : "需要修改")}] {decision.Feedback}"));
await FlowStateHelpers.SaveFlowStateAsync(context, state);
// 填充工作流专用字段
decision.Content = message.Text ?? "";
decision.Iteration = state.Iteration;
return decision;
}
}CriticExecutor 继承自：
Executor<ChatMessage, CriticDecision>这表示该执行器接收 ChatMessage 作为输入，并输出 CriticDecision。
它的入口方法是：
HandleAsync(ChatMessage message, ...)这里的 message 就是 Writer 生成的内容。
Critic 的评审结果来自 LLM 的结构化输出。通过：
ResponseFormat = ChatResponseFormat.ForJsonSchema<CriticDecision>()我们要求模型按照 CriticDecision 的 JSON Schema 返回结果，从而让程序可以稳定解析：
CriticDecision decision = JsonSerializer.Deserialize<CriticDecision>(...)不过需要注意，approved=true 或 approved=false 的初始判断来自 LLM。Agent Framework 只是提供结构化输出能力，并不会替我们判断内容质量。程序侧仍然可以在必要时覆盖这个判断，例如达到最大迭代次数时自动批准：
if (!decision.Approved && state.Iteration >= Program.MaxIterations)
{
decision.Approved = true;
decision.Feedback = "";
}这就是防止无限循环的安全阀。
Summary Agent：输出最终内容
当 Critic 返回 Approved = true 时，工作流会进入 Summary Agent。 Summary Agent 的职责不是继续评审，而是将最终通过的内容呈现给用户
internal sealedclassSummaryExecutor : Executor<CriticDecision, ChatMessage>
{
privatereadonly AIAgent _agent;
public SummaryExecutor(IChatClient chatClient) : base("Summary")
{
this._agent = new ChatClientAgent(
chatClient,
name: "Summary",
instructions: """
你将最终批准后的内容呈现给用户。
仅输出润色后的最终内容——不需要任何额外说明。
"""
);
}
public override async ValueTask<ChatMessage> HandleAsync(
CriticDecision message,
IWorkflowContext context,
CancellationToken cancellationToken = default)
{
Console.WriteLine("=== 总结 ===\n");
string prompt = $"呈现此已批准的内容：\n\n{message.Content}";
StringBuilder sb = new();
awaitforeach (AgentResponseUpdate update inthis._agent.RunStreamingAsync(new ChatMessage(ChatRole.User, prompt), cancellationToken: cancellationToken))
{
if (!string.IsNullOrEmpty(update.Text))
{
sb.Append(update.Text);
}
}
ChatMessage result = new(ChatRole.Assistant, sb.ToString());
await context.YieldOutputAsync(result, cancellationToken);
return result;
}SummaryExecutor 继承自：
Executor<CriticDecision, ChatMessage>这表示它接收 Critic 的决策结果，并输出最终的 ChatMessage。
这里的关键方法是：
context.YieldOutputAsync(result, cancellationToken);它用于向工作流外部发布最终输出。外层的 WatchStreamAsync 会接收到 WorkflowOutputEvent，然后打印最终结果。
工作流图与条件路由
三个执行器定义完成后，需要通过 WorkflowBuilder 组织成工作流图：
WorkflowBuilder workflowBuilder = new WorkflowBuilder(writer)
.AddEdge(writer, critic)
.AddSwitch(critic, sw => sw
.AddCase<CriticDecision>(cd => cd?.Approved == true, summary)
.AddCase<CriticDecision>(cd => cd?.Approved == false, writer))
.WithOutputFrom(summary);这段代码定义了完整的路由关系：
第一次进入 Writer 时，输入类型是 string，因此匹配 HandleInitialRequestAsync。
当 Critic 不通过时，它返回的是 CriticDecision。这个对象再次流入 Writer，因此匹配 HandleRevisionRequestAsync。
这也是 [MessageHandler] 的关键作用：对于继承自非泛型 Executor 的执行器，可以定义多个消息处理方法，框架根据进入节点的数据类型选择对应方法。
而对于：
Executor<TInput, TOutput> 输入类型已经由泛型参数 TInput 明确指定，因此框架会调用其重写的 HandleAsync 方法。
状态控制
在 Writer–Critic 工作流中，状态控制非常重要。因为 Writer 和 Critic 之间存在循环，如果没有状态记录，就无法判断当前已经迭代了多少次，也无法设置最大迭代次数。
状态定义如下：
internal sealed class FlowState
{
public int Iteration { get; set; } = 1;
public List<ChatMessage> History { get; } = [];
}其中：
Iteration 表示当前迭代轮次。 History 保存 Writer 输出和 Critic 决策记录。 状态通过 IWorkflowContext 读写：
internal staticclassFlowStateShared
{
publicconststring Scope = "FlowStateScope";
publicconststring Key = "singleton";
}
internalstaticclassFlowStateHelpers
{
public static async Task<FlowState> ReadFlowStateAsync(IWorkflowContext context)
{
FlowState? state = await context.ReadStateAsync<FlowState>(
FlowStateShared.Key,
scopeName: FlowStateShared.Scope);
return state ?? new FlowState();
}
public static ValueTask SaveFlowStateAsync(IWorkflowContext context, FlowState state)
=> context.QueueStateUpdateAsync(
FlowStateShared.Key,
state,
scopeName: FlowStateShared.Scope);
}ReadStateAsync 用于从工作流上下文中读取状态。如果之前没有保存过状态，则返回 null，因此这里会创建一个新的 FlowState。
QueueStateUpdateAsync 用于将修改后的状态保存回工作流上下文，使后续执行器能够读取到更新后的状态。
在 Writer 中，状态主要用于记录生成历史：
state.History.Add(new ChatMessage(ChatRole.Assistant, text));
await FlowStateHelpers.SaveFlowStateAsync(context, state);在 Critic 中，状态用于控制循环次数：
if (!decision.Approved && state.Iteration >= Program.MaxIterations)
{
decision.Approved = true;
decision.Feedback = "";
}
if (!decision.Approved)
{
state.Iteration++;
}因此状态控制的逻辑是：
第 1 轮： Writer 生成内容 Critic 评审 如果不通过，Iteration 增加到 2
第 2 轮： Writer 根据反馈修订 Critic 再次评审 如果不通过，Iteration 增加到 3
第 3 轮： Writer 再次修订 Critic 再次评审 如果仍不通过，由程序侧强制批准，避免无限循环 需要注意的是，当前样例虽然把 Writer 输出和 Critic 决策写入了 History，但并没有在后续 Agent 调用中将 History 作为上下文传给模型。因此，History 在当前代码中更多用于记录、调试或后续扩展，并不会自动影响模型生成结果。
如果希望历史真正参与模型推理，需要显式将 state.History 拼入 prompt，或者构造完整的消息列表传给 Agent。
小结
Writer–Critic 工作流展示了 Agent Framework 中一种典型的多 Agent 协作模式。
它的核心机制包括：
Writer Agent 负责生成和修订内容。 Critic Agent 负责评审内容，并通过结构化输出返回 CriticDecision。 Summary Agent 负责输出最终通过的内容。 工作流通过 AddSwitch 根据 Approved 字段进行条件路由。 IWorkflowContext 用于跨执行器共享状态。 Iteration 用于限制最大循环次数，避免无限迭代。 [MessageHandler] 允许同一个 Executor 根据输入类型处理不同场景。
生成 -> 评审 -> 不通过：修订 -> 通过：输出 这个样例的价值不只是展示多个 Agent 如何串联，更重要的是展示了如何把 LLM 的不确定输出纳入一个可控的工程流程中：通过结构化输出获得可解析的决策，通过条件路由实现闭环，通过共享状态控制迭代边界。
源代码地址
https://github.com/bingbing-gui/dotnet-agent-playbook/tree/master/src/ai-agent/Agent-Framework/39-WriterCritic-Pattern
Agent 垂直技术社区，欢迎活跃、内容共建。
更多推荐
0
0- 0
已为社区贡献46条内容
所有评论(0)