Auto-réflexion : un agent IA qui relit et corrige son travail
L'auto-réflexion (reflection en anglais) consiste à faire relire à un modèle ou à un agent ce qu'il vient de produire, à lui faire écrire une critique, puis à s'en servir pour une nouvelle tentative. Elle améliore souvent les résultats quand l'agent dispose d'un signal concret d'échec, beaucoup moins quand il se juge à l'aveugle.
Données au 22 octobre 2026
L'essentiel en chiffres
| Niveau | Avancé |
|---|---|
| Origine | 2023 |
| Introduit par | Shinn et al. (Reflexion) |
Le principe
Un agent produit une première réponse, puis passe en mode relecture : « Qu’est-ce qui ne va pas ? Pourquoi ai-je échoué ? Que ferais-je autrement ? » Cette critique, écrite en langage naturel, est ajoutée à son contexte ou à sa mémoire d’agent. La tentative suivante en tient compte. La boucle s’arrête quand le résultat satisfait un critère ou après un nombre limité d’essais.
Deux articles de mars 2023 ont popularisé l’idée :
- « Reflexion: Language Agents with Verbal Reinforcement Learning » (Shinn et al.) : l’agent reçoit un signal de réussite ou d’échec, rédige une réflexion sur ses erreurs, la garde en mémoire et s’en sert à l’essai suivant, sans modifier les poids du modèle.
- « Self-Refine » (Madaan et al.) : le même modèle génère, se critique puis réécrit, en boucle, sans retour extérieur.
Un exemple concret
Un agent de programmation doit corriger une fonction. Il propose un correctif et lance les tests : deux échouent. Plutôt que de recommencer au hasard, il écrit : « J’ai traité les dates au format jour/mois, mais le jeu de test utilise mois/jour ; je dois normaliser l’entrée. » Il corrige, relance les tests, qui passent. Le retour des tests a transformé la réflexion en indice précis.
Pourquoi ça compte, et ses limites
L’auto-réflexion est l’un des moyens les plus simples de rendre un agent plus fiable, et elle se combine naturellement avec le schéma ReAct. Mais ses gains dépendent de la qualité du signal. L’article « Large Language Models Cannot Self-Correct Reasoning Yet » (Huang et al., ICLR 2024) montre que, sans retour extérieur, les modèles peinent à corriger leur raisonnement et le dégradent parfois. D’où la pratique courante qui consiste à confier la critique à un autre appel ou à un autre modèle (LLM comme juge), ou à l’appuyer sur des vérifications objectives.
Idées reçues
- « Si l’IA se relit, elle ne peut plus se tromper. » Une relecture peut conforter une hallucination au lieu de la détecter.
- « C’est la même chose que la chaîne de pensée. » La chaîne de pensée détaille le raisonnement avant de répondre ; l’auto-réflexion revient sur un résultat déjà produit.
- « Plus de tours, plus de qualité. » Au-delà de quelques itérations, le gain s’amenuise et le coût continue de monter.
Termes liés
- Chaîne de pensée · Façon de faire produire à un modèle des étapes de raisonnement intermédiaires avant sa réponse finale, pour mieux traiter les problèmes complexes.
- Schéma ReAct · Méthode où un agent IA alterne une étape de raisonnement écrit et une action (recherche, outil), puis lit le résultat avant de continuer.
- LLM comme juge (LLM-as-a-judge) · Méthode d'évaluation où un modèle de langage note ou compare les réponses d'un autre modèle, selon une grille fournie, à la place d'un humain.
- Évaluation d'agents · Méthodes pour mesurer si un agent IA accomplit réellement une tâche de bout en bout, de façon fiable, sûre et à un coût acceptable.
- Hallucination · Réponse d'une IA qui paraît sûre d'elle et plausible mais qui est fausse ou inventée : chiffre, citation, source, référence.
Tout le glossaire
Questions fréquentes
L'auto-réflexion entraîne-t-elle le modèle ?
Non. Dans l'approche Reflexion, la critique est un texte stocké en mémoire et relu lors de la tentative suivante. Les poids du modèle ne changent pas : c'est un apprentissage « verbal », valable le temps de la tâche ou de la session.
Un modèle peut-il vraiment repérer ses propres erreurs ?
Parfois. Les travaux montrent que l'autocorrection fonctionne nettement mieux avec un retour extérieur (tests qui échouent, message d'erreur, résultat vérifiable). Sans ce signal, un modèle peut confirmer une mauvaise réponse ou en dégrader une bonne.
Combien de tours de réflexion faut-il prévoir ?
Peu, en général. Chaque tour ajoute des appels au modèle, donc du temps et du coût. On fixe un maximum et un critère d'arrêt clair, par exemple « tous les tests passent ».
Sources des données
Données au 22 octobre 2026
Signaler une erreur
Un chiffre, une date ou une information vous semble faux ? Dites-le-nous : chaque signalement est vérifié.