Rich Feedback Loops > Perfect Prompts

打磨单个prompt无法覆盖所有边缘场景；Agent需要基准事实（ground truth）来实现自我修正。

此外，Agent需要整合人类反馈（积极反馈与修正性反馈），以逐步提升会话质量。能更好响应用户反馈的项目，所需的修正操作更少，最终产出的效果也更优。

在每次工具调用后，暴露可机器读取的迭代式反馈——包括编译器错误、测试失败、代码检查器（linter）输出、截图等。 Agent会利用诊断信息规划下一步，实现自发的自我调试。

整合人类反馈模式：

• 识别积极反馈，强化有效的行为模式
• 从修正意见中学习，避免重复犯错
• 根据用户的沟通风格和偏好调整自身行为
• 长期记录对特定用户有效的方案

基于88次会话分析的证据：

| 项目名称 | 积极反馈次数 | 修正意见次数 | 成功率 | |-------------------------|--------------|--------------|------------| | nibzard-web | 8 | 2 | 高（80%） | | 2025-intro-swe | 1 | 0 | 高（100%） | | awesome-agentic-patterns| 1 | 5 | 低（17%） | | skills-marketplace | 0 | 2 | 低（0%） |

核心洞察：获得更多积极反馈的项目结果更优。强化学习是有效的——这不仅仅是出于礼貌，更是Agent的训练数据。

像Claude Sonnet 4.5这样的现代模型正越来越主动地创建自己的反馈循环：它们会编写并执行简短的脚本和测试，即使是看似简单的验证任务也不例外（例如，通过HTML检查来验证React应用的行为）。