AI 输出答案以后，借助适当的外部工具（如搜索引擎、代码解释器等）来验证答案中的某些环节，比如可以通过搜索引擎或者文档资料来验证事实性信息，或者通过代码解释器来执行 AI 生成的代码是否能够正常运行等
AI 输出答案以后，借助适当的外部工具（如搜索引擎、代码解释器等）来验证答案中的某些环节，比如可以通过搜索引擎或者文档资料来验证事实性信息，或者通过代码解释器来执行 AI 生成的代码是否能够正常运行等。同时将验证后的结果形成反馈信息再发送给 AI，让其根据反馈来修正输出。重复这个验证和修正的循环，直到满足特定的停止条件。
整个过程参考图二。
Self-Refine 方法则更容易理解，其核心是两个相互交替的步骤：Feedback（反馈）和 Refine（优化）。就是让 AI 自己对自己的答案进行评估并给出针对性的反馈，这些反馈不仅指出了问题所在，还提供了改进的方向。
然后引导 AI 根据这些 Feedback（反馈）来调整输出，也就是 Refine 步骤。这一过程可以重复多次，直到输出达到满意的质量标准。
整个过程参考图三。
即使这个过程不自动化，对于我们日常使用来说，也有很大价值。当 AI 的输出不符合我们的预期的时候，除了考虑要拆分子任务之外，另外很重要的一点就是指出 AI 的回复中具体的问题，告诉它哪里哪里不好，为什么不好，应该如何等。这就是我们在主动提供 Feedback（反馈）。
Self-Refine 的方式是让 AI 自己给自己 Feedback（反馈），其对我最大的启发是：要针对具体任务设计 Feedback 原则。
论文中针对对话设计的 Feedback 原则是从 Relevant（相关性）、Informative（信息量）、Engaging（吸引人的）等方面来引导 AI 给出反馈；而针对代码生成任务则是从效率（Efficiency）、可读性（Readability）、准确性（Accuracy）等方面来生成反馈。
这种思路是不是可以借鉴到我们用 AI 完成其他日常任务呢？
举个例子，当我们觉得 AI 英译中的结果不够好时，简单的方式可以是让其用某种文章内容相关的角色来进行润色，或者让其自己反思翻译结果有什么问题再重新翻译。
那如果按照 Self-Refine 中的 Feedback 原则，在让 AI 反思的时候，指出具体的反思方向会不会更好呢？比如可以从准确性（Accuracy）、流畅性（Fluency）、语法正确性（Grammar Correctness）、词汇恰当性（Lexical Appropriateness）、文化适应性（Cultural Adaptation）、风格一致性（Style Consistency）、目标受众（Target Audience Suitability）等方面来对翻译结果给出反馈，这样是不是能得到更好的结果呢？
当然，Self-Refine 要能够有效，首先 AI 本身的能力要足够强，否则 AI 得不出有价值的反馈。另外要注意的就是论文的测试结果都是基于英文的数据集。不过没关系，试试这种思路没什么损失，我相信起码不会得到更差的结果。
我会在接下来翻译 The Batch 的时候尝试一下这个方式。
