Reflexion 是本 cluster 中唯一的 agent 算法/学习范式论文 —— 它回答"agent 如何在多次 trial 之间自我改进"[2303.11366]。其余 8 篇几乎全是 agent serving / systems 基础设施，回答的是"如何高效地把 agent workload 跑在 GPU/CPU 上"。这种层级错位本身就是最重要的关联结构：Reflexion 定义了一个 workload（trial-and-error 多轮 episode），而 peers 大多在优化这个 workload 的执行成本 [2502.13965]。
按关联强度分三组：
关联主线: Reflexion (2023) 定义了一个"重复、长尾、多轮、状态累积"的执行模式；2024–2026 的 serving 论文（Autellix/Continuum/TokenCake）正是在为这个模式补齐系统效率。Reflexion 不关心它自己有多贵，peers 全在算这笔账。
Reflexion 的贡献是算法层：把 scalar reward 放大成 verbal self-reflection 存进 episodic memory，policy 参数化为 $\theta=\{M_a, mem\}$（LLM + 文本 memory）而非权重 [2303.11366]。所有 8 个 peer 的贡献都是系统层——它们不改变 agent 的输出质量，只改变完成速度/成本。这是 incremental 的正交关系而非竞争关系：
因此 Reflexion 与 peers 之间没有 head-to-head metric：前者比 accuracy/pass@1，后者比 latency/throughput。
Reflexion 的 memory 是语义 episodic memory（1–3 条 verbal reflection，作为 policy 的一部分参与决策）[2303.11366]。多个 peer 也讲 "memory"，但都是 KV cache（低层数值状态）：
同名不同物: Reflexion 的 memory 是"agent 记住了教训"，peers 的 memory 是"系统缓存了张量"。二者可以叠加——Reflexion 的 verbal memory 决定 prompt 内容，而 peers 的 KV memory 决定这些 prompt 被 prefill 的成本。这是互补 hybrid 而非重叠。
RouteLLM 主张"一次 query 精确路由到合适模型即可，无需重试"[2406.18665]；Reflexion 主张"同一强模型多次重试自改进"[2303.11366]。两者是成本-质量权衡的两个极端策略：RouteLLM 省钱靠降级模型，Reflexion 花钱靠重复调用强模型。有趣的交点：RouteLLM 承认弱模型在复杂任务上失败，而 Reflexion 承认弱模型上方法完全失效（starchat-beta）—— 二者都确认"能力阈值"的存在，只是应对方向相反。
Reflexion (2023-03) 处于 "证明 LLM agent 能自改进" 的探索期；peers 集中在 2025–2026，处于 "agent 已成 production workload，开始抠系统效率" 的成熟期。CPU-centric 论文的时代定位直接印证：2025 年 GPU kernel/KV 优化已被 vLLM/SGLang 采摘，瓶颈转向 CPU 工具执行 [2511.00739]。Reflexion 大量依赖工具（compiler、Wikipedia API、unit test 执行）——正是 CPU-centric 论文测得占 E2E 88% 的那类工具调用。
攻击点 1 — "verbal RL 是 RL" 的框架过度包装。 Reflexion 把 policy 严格写成 $\pi_\theta$、reward 写成 $r_t=M_e(\tau_0)$、声称是 policy optimization [2303.11366]，但自己承认"无形式化保证、可能陷入 local minima"。相比之下同 cluster 的 serving 论文虽也"仅实证"，但至少有可量化的 competitive ratio 目标（Autellix vs SRPT 的 gap 被明确量化 [2502.13965]；Continuum 明确指出可形式化为 $\frac{\text{delay}}{\text{OPT delay}}$ [2511.02230]）。Reflexion 的 RL 外壳更多是修辞——没有 regret/收敛率，"policy" 只是 prompt+memory 的重命名。
攻击点 2 — 自评信号的循环依赖是根本脆弱性。 Reflexion 的代码 Evaluator 是自生成 unit test，MBPP Python 因 16.3% false-positive test rate 反而低于 baseline (0.77 < 0.80) [2303.11366]。方法质量上限 = 自评质量上限。这与 MCP 综述指出的 "Tool Poisoning / 自评被污染" 的安全隐患同源 [2505.02279]——当 agent 自己产生评价信号时，信号可被自身错误污染。Reflexion 没有外部 ground-truth gate，是它区别于 RouteLLM（用 MMLU golden label 校准 [2406.18665]）的软肋。
攻击点 3 — 成本从未被算清。 Reflexion 每个 trial = 完整 trajectory + Evaluator pass + reflection 生成，cost 随 trials × tokens 线性增长 [2303.11366]，但论文只报 accuracy 不报 wall-clock/dollar。整个 peer cluster 的存在恰恰证明这笔账很贵：Continuum 实测 per-turn queueing 占总延迟 58.2% 且随 turn 数放大 [2511.02230]；TokenCake 实测 tool call 造成 KV idle 浪费 [2510.18586]。Reflexion 的 12-trial AlfWorld、多轮 HotPotQA 正是这种"多 turn 累积排队"的高成本 workload，但原文对此零讨论。
攻击点 4 — WebShop 负面结果暴露适用性狭窄。 Reflexion 在需要"多样化探索"的任务上完全失效 [2303.11366]。这限制了它作为通用 agent 学习范式的普适性——它只在 action/observation 空间"legible"时有效。
范式定位: Reflexion 是 "inference-time self-improvement without weight update" 这一范式的奠基性论文之一（与 Self-Refine 同期）。它把"agent 学习"从"梯度微调"重定义为"编辑文本 memory"，这个 reframing 影响深远——后续所有 multi-turn agent（ReAct loop、coding agent、SWE-agent）本质上都在这个 trial-reflect-retry 骨架上。
采用证据（来自 peer cluster）: Reflexion/ReAct 式循环已成为 serving 论文的默认 workload 假设：
一个范式被下游 systems 论文当作"要优化的既定负载"来对待，是它已被广泛采用的最强信号——没人会为不存在的 workload 造调度器。
生态位的脆弱边: Reflexion 的生态位建立在"强 backbone + 多次调用"的假设上。RouteLLM 代表的"降级路由"路线 [2406.18665] 和 CPU-centric 代表的"SLM + 工具 > 大模型"路线 [2511.00739] 都在侵蚀这个假设——如果小模型+工具就够用，那么依赖强模型 emergent 自评能力的 Reflexion 的性价比会下降。
方向 1 — Reflection-aware serving（algorithm × system 的直接 hybrid）。 现有 serving 论文（Continuum/TokenCake/Autellix）都把 Reflexion trial 当作黑盒 program 调度，不利用其语义结构。但 Reflexion 有独特的可预测性：verbal reflection 生成后，下一 trial 的 prompt 前缀（累积 memory + few-shot）是高度稳定的。这意味着：
方向 2 — Adaptive trial budget（把 RouteLLM 的路由思想注入 Reflexion）。 Reflexion 固定重试直到 pass 或 max trials，浪费在注定失败的任务上（WebShop 4 trial 全废）。可用 RouteLLM 式的 difficulty predictor [2406.18665] 在 trial 0 后预测该任务是否值得继续重试，把探索预算路由到有希望的任务。技术上可行且无人做。
方向 3 — CPU-aware reflection pipelining。 CPU-centric 论文的 COMB 思想（CPU 工具与 GPU 推理重叠）[2511.00739] 尚未被用于 Reflexion：当 agent 执行 unit test（CPU）时，GPU 空闲——可预测性地在 CPU 跑 test 的同时让 GPU 预生成候选 reflection。Reflexion 的 test-execution + reflection-generation 天然是 CPU/GPU 二阶段 pipeline，正是 COMB 的目标结构。
方向 4 — Verbal memory 的层次化存储。 Reflexion 自己在 §5 提出未来用 vector DB 扩展 memory，但滑动窗口仍是 1–3 条 [2303.11366]。结合 TokenCake 的 spatial 分区（reserved/shared pool）[2510.18586]，可把"高价值 reflection"pin 在 reserved 区、"临时 trajectory"放 shared 区——把语义重要性映射到物理存储层级。这是 algorithm 的 memory 语义与 system 的 memory 管理的又一个未探索交叉。
方向 5 — Batch reflection consolidation。 Halo 的 consolidated batch DAG [2509.02121] 从未用于 Reflexion：当多个 agent 在相似任务上并行 reflect 时，它们的 reflection 内容可能高度重叠（同类错误），可跨 agent 复用 reflection 而非各自独立生成。这是把 Halo 的"跨 query 冗余消除"从 KV 层提升到 semantic reflection 层的开放方向。
knowledge/L2/paper/2303.11366.mdknowledge/L2/paper/2406.18665.mdknowledge/L2/paper/2502.13965.mdknowledge/L2/paper/2505.02279.mdknowledge/L2/paper/2509.02121.mdknowledge/L2/paper/2510.12872.mdknowledge/L2/paper/2510.18586.mdknowledge/L2/paper/2511.00739.mdknowledge/L2/paper/2511.02230.md