许多AI代理教程建议通过反思来修复输出错误，但这种方法在结构化输出中不可靠，可能导致错误被错误批准。有效的解决方案是使用确定性验证：生成输出后，利用真实的验证器检查错误并反馈具体问题，从而提高输出的正确性，避免反思带来的不确定性。

文章探讨了大语言模型（如GPT）的设计缺陷，指出其输出错误源于数学结构和概率机制。模型的近似方法叠加导致误差放大，生成看似合理但不可靠的结果。缺乏数学证明和稳定性保证使得模型在复杂问题上表现不佳。作者强调使用GPT时应谨慎，将其视为辅助工具，而非最终决策者。