LLMに「自分の考えを一度下書きさせ、その下書きに対して自分でツッコミを入れさせてから最終回答を出させる」という高度なプロンプト手法を何というか。

強化学習において；エージェントが「直接的な報酬（エサ）」だけでなく；「将来的に有利な状態（安全な場所など）」を学習するために、状態そのものに価値をつける関数はどれか。