這是一個非常敏銳的補充。在 HLN Machine 的架構中，作者不僅僅是寫好 Prompt 就結束了，而是將 LLM 視為一個不可靠的組件。為了讓這個不可靠的組件在無人值守的情況下產出工業級的結果，作者設計了兩道核心防線：內循環糾錯（Internal Loop）外部重啟糾錯（External Restart）。

這兩者分別對應了「微觀的格式修復」與「宏觀的品質控管」。以下為您整理這兩大規則的深度解讀：

第一道防線：LLM 內循環糾錯 (Internal Self-Correction Loop)

原文概念對照

"LLM 在一輪內部對話能完成改錯... 說明提示詞已經盡力了，只能依賴多輪對話實現自糾錯"。

"If the LLM violates a rule... the system automatically sends a new message pointing out the exact mistake... and asks it to try again"。

翻譯與解讀

這是一種將 LLM 視為「不聽話實習生」的微觀管理策略。當程式碼偵測到 LLM 的輸出不符合格式要求（例如 JSON 解析失敗、字幕區塊數量不對）時，系統不會直接崩潰，而是會進入一個**「自我修正迴圈」**。

1. 驗證（Validation）：Python 腳本會先檢查輸出。例如在字幕校對中，檢查原始 SRT 有 10 個區塊，但 LLM 卻回傳了 11 個,。
2. 反饋（Feedback）：系統將錯誤轉化為自然語言，例如：「你回傳了 11 個區塊，但我預期是 10 個，請修正」。
3. 重試（Retry）：LLM 收到錯誤訊息後，會在同一個對話歷史中嘗試修正，通常設定最多重試 3 次,。

• 適用場景：這主要用於**結構鎖定（Structure-Locked）**的任務，如字幕校對 (Step-03) 或關鍵字提取。這種機制解決了 LLM 偶爾「手滑」或格式錯誤的問題，確保輸出在語法和結構上是合法的。

第二道防線：外部重啟糾錯 (External Pipeline Restart)

原文概念對照

"Pipeline-level rerun... LLM 步驟即使表面上成功... 如果最終產出的 TTS 太短、或 IR 有 hash 重複，仍會觸發整體重跑"。

"Pre-checkpoint restart... if earlier steps failed, restart the pipeline... with Bark notifications",。

翻譯與解讀

如果說內循環是糾正「語法錯誤」，那麼外部重啟就是用來處理**「語義災難」或「系統性崩潰」**。有些錯誤是 LLM 自己修不好的（例如它產生了嚴重的幻覺，或者產出的內容雖然格式正確但品質極差），這時就需要從更高層級進行「重開機」。