真实案例：标书改了十几版，评分却几乎没有变化，白白浪费Token 

某企业正在准备一份重要项目的投标文件，团队搭建了一个招投标答标Agent，希望它能够自动检索招标要求、生成答标初稿、根据评分标准进行质量评估，并在分数偏低时自动重写。

系统运行初期，Agent 能够完成资料检索和初稿撰写，评分模块也能指出部分问题。但进入自动重写环节后，团队发现系统经常陷入循环：第一版被评为 58 分，重写后变成 60 分，第三版又回到 59 分。每一版的措辞看起来有所不同，技术方案、实施计划和招标条款响应等关键内容却没有明显改善。

Agent 仍然根据“评分低于标准”这一结果继续重写，缺少对上一轮失败原因的深入整理。随着循环不断运行，历史稿件和生成内容持续增加，Token 预算逐渐被消耗，最终任务可能在没有产出合格答标稿的情况下中止。

这个问题的核心在于，评分结果没有被转化成下一轮明确的修改动作。模型知道当前稿件分数不够，却未必清楚具体哪个章节失分、缺少什么证据、应该补充哪些内容。

解决办法：在每轮重写前增加一个反思节点

首先，保留上一轮的评分反馈和修改记录。评分模块除了给出总分，还应尽量提供分项得分、未满足的招标要求、缺失证据和具体扣分原因。系统可以保留最近几轮的修改摘要，方便后续分析问题是否重复出现。

让反思节点识别真正的失分原因。反思节点读取当前答标稿、评分反馈和历史修改记录，归纳哪些问题仍未解决，哪些修改没有带来改善，以及哪些章节存在重复或偏离招标要求的内容。它需要给出具体依据，避免只输出“内容不够完善”“需要进一步优化”这类笼统判断。

生成可执行的修改计划。计划应明确修改位置、当前问题、目标要求、具体动作和所需材料。例如，技术方案章节缺少与招标参数逐项对应的说明，就应补充参数响应表和实现依据；实施计划缺少验收节点，就应补齐阶段安排、交付物和验收标准。

根据计划进行定向重写。改稿节点接收反思节点输出的计划，优先修改明确指出的问题章节，并保留已经符合要求的内容。对于需要补充的技术参数、资质证明或案例材料，如果输入资料中没有提供，应标记待补充，避免模型自行编造。

重新评分并比较变化。新稿生成后，再由评分模块检查各项要求是否得到改善。系统需要对比本轮与上一轮的分项得分、问题数量和修改结果，判断计划是否真正解决了原有问题。如果某项问题持续未改善，就应重新分析原因，而非机械重复相同指令。

设置合理的停止条件。工程实践中还可以增加最大重写轮数、Token 预算、最低合格分数和连续无提升停止规则。达到合格标准后结束；连续几轮没有有效提升时暂停自动重写，交由人工检查。反思节点负责提高修改质量，停止条件负责限制循环成本，两者配合更稳妥。

从实际效果来看，反思节点需要让Agent 回答三个具体问题：上一版哪里没有达到要求？这些问题为什么没有被解决？下一版准备在哪些位置采取什么修改动作？当这三个问题有了明确答案，重写才有可检查的方向。

将真实场景转化为一道CAIE 练习题

某招投标答标Agent 包含“检索招标要求 → 写初稿 → 质量评分 → 低分则重写”的循环。实际运行中经常出现内容变化很小却无限重写，直到 Token 耗尽。要优先降低这种死循环风险，最有效的措施是：

A. 在每轮低分后强制提高 Temperature 并切换不同采样组合，用输出多样性去“冲破”重复状态。

B. 在重写前增加一个反思节点，让模型先读取历史修改记录和评分反馈，输出具体修改计划，再基于该计划改稿。

C. 把所有历史失败稿和评分意见全文回灌给模型，让它在更大的上下文里自己总结下一版怎么改。

D. 在系统提示词中加入更强的失败惩罚，例如“连续低分视为严重错误，必须彻底重写结构”，以此让模型主动避免重复。

答案解析：B

B 正确：反思节点会先读取上一轮的评分反馈和修改记录，分析哪些问题没有解决、哪些修改没有产生效果，再输出明确的修改计划。后续改稿围绕计划执行，每一轮都有具体目标和可检查的动作，因此能够减少机械重复。

排除A：提高 Temperature 或调整采样组合可以增加生成内容的多样性，但不同写法并不意味着更符合招标评分标准。如果模型没有理解上一轮的失分原因，输出变化仍可能停留在措辞层面。

排除C：增加历史上下文能够提供更多信息，但把所有失败稿全文回灌会增加上下文负担，也可能让模型重复关注大量相似内容。如果没有先提炼出关键失败点和修改方向，下一轮仍可能缺少针对性。

排除D：系统提示词中的严厉要求可以提醒模型重视评分结果，但语气更强并不能自动形成具体的修改策略。模型仍可能反复执行“彻底重写”的笼统指令，无法保证真正修复评分反馈指出的问题。

这道题对应的能力：理解Agent 的反思与迭代优化机制

从CAIE LEVEL Ⅰ 的学习与实践角度看，这个场景可以联系 Agent 工作流设计、反馈利用和结构化任务拆解能力。一个包含检索、生成、评分和重写的 Agent，已经具备基本的任务循环；要让循环持续产生价值，还需要把每轮执行结果转化成下一轮可用的信息。

反思节点承担复盘和计划制定任务：读取历史结果，识别当前差距，提出具体修改动作。改稿节点再按计划执行，评分节点负责验证改动是否有效。这样的设计让反馈真正参与后续决策，也更容易定位循环中的问题。

提示词示范：让Agent 在重写前先做一次反思

你是招投标答标Agent 工作流中的反思节点。请阅读当前答标稿、上一轮质量评分反馈，以及最近几轮修改记录。
本节点暂时不要直接重写全文，请先完成复盘并输出本轮修改计划。
请按以下结构分析：
1. 未达标项：列出评分低于要求的具体维度，并引用对应的招标条款或评分标准。
2. 问题定位：指出当前答标稿中对应的章节、段落或缺失内容。
3. 历史修改检查：说明上一轮已经修改了什么，哪些问题仍然存在，哪些修改没有带来有效提升。
4. 修改计划：逐项列出修改位置、具体修改动作、需要补充的材料或证据，以及预期改善的评分维度。
5. 保留内容：指出已经满足要求、无需重复改写的章节。
6. 待确认事项：如果缺少资质、技术参数、项目案例或其他事实材料，请明确标记待补充，不得自行编造。

输出要求：修改计划必须具体、可执行、可验证，避免使用“进一步优化”“提升质量”等笼统表述。完成计划后，将其交给改稿节点执行。

当前答标稿：{当前版本}
评分反馈：{本轮评分与扣分原因}
历史修改记录：{最近几轮修改摘要}
招标要求与评分标准：{招标文件相关内容}

这段提示词专门用于重写前的反思环节。实际工作流中，可以把反思节点的输出保存为结构化修改计划，再传给改稿节点；改稿完成后，将新评分和修改结果回传，供下一轮反思使用。这样每次迭代都有明确的依据，也方便团队追踪Agent 为什么做出某项修改。

结语

招投标Agent 的自动重写能力，最终要看每一轮是否真正解决了评分反馈中的问题。加入反思节点后，系统可以先复盘失败原因，再制定具体计划，随后执行定向修改，并通过新一轮评分验证结果。配合最大轮数、预算和无提升停止规则，能让自动答标工作流更加可控。

如果你也想系统提升自己拆解Agent 工作流、设计多轮任务和优化 AI 自动化流程的能力，可以点击下方小程序，完成一次 AI 应用能力测评，了解自己的能力特点，并获取相应的学习路径建议。

👉 AI  应用能力测评  ·  职业方向测试

👉 完成测试后，还可领取 《 CAIE LEVEL 考试大纲》 与更多实战练习题