基于指令的图像编辑已成为一个重要的研究方向。得益于图像生成基础模型的发展，该领域在美学质量方面取得了显著进展，因此如何准确遵循指令成为当前的主要挑战。现有方法通常通过监督学习或强化学习来提升指令遵循能力，但由于固有的随机性以及缺乏深度思考过程，单轮编辑的成功率仍然有限。为此，本文提出一种具有反思能力的编辑框架，使模型在编辑过程中“思考”，通过迭代执行“边编辑边思考”（Think-while-Edit）循环——即对当前结果进行批判性评估，并据此优化指令，随后重复生成过程，直至达到满意效果。具体而言，我们训练一个统一的多模态大语言模型（MLLM），命名为 EditThinker，作为该框架的推理引擎，使其能够联合生成批判性评分、推理过程以及优化后的指令。我们采用强化学习策略，使 EditThinker 的思考过程与其编辑行为保持一致，从而实现更具针对性的指令改进。在四个基准数据集上的大量实验表明，该方法显著提升了任意图像编辑模型的指令遵循能力，性能提升幅度显著。我们将公开数据构建框架、相关数据集及模型，以推动社区的进一步研究与发展。