Papers
ReAct: Synergizing Reasoning and Acting in Language Models
Yao et al., 2022 — Das Paper, das zeigt, wie LLMs durch abwechselndes Nachdenken und Handeln komplexe Aufgaben lösen können.
ReAct (Reasoning + Acting) ist ein Prompting-Pattern, bei dem ein LLM abwechselnd denkt (Reasoning) und handelt (Acting). Statt nur Text zu generieren, kann das Modell Tools aufrufen, Ergebnisse interpretieren und seinen Ansatz anpassen. ReAct ist die Grundlage für die meisten heutigen AI-Agent-Frameworks.
Das Problem: Denken allein reicht nicht
Chain-of-Thought (CoT) Prompting hat gezeigt, dass LLMs besser werden, wenn sie ihre Gedanken schrittweise aufschreiben. Aber reines Denken hat Grenzen: Das Modell kann keine aktuellen Informationen abrufen, keine Berechnungen durchführen und keine externen Systeme abfragen.
Umgekehrt gibt es Systeme, die LLMs Tools verwenden lassen (Acting), aber ohne explizites Nachdenken. Diese handeln oft blind — ohne Plan, ohne Fehleranalyse, ohne Strategie-Anpassung.
Die ReAct-Idee: Denken UND Handeln
ReAct kombiniert beides in einem abwechselnden Loop:
- Thought: Das Modell denkt nach — analysiert die aktuelle Situation, plant den nächsten Schritt, interpretiert vorherige Ergebnisse.
- Action: Das Modell führt eine konkrete Aktion aus — z.B. eine Websuche, eine Berechnung, eine API-Abfrage.
- Observation: Das Ergebnis der Aktion wird dem Modell zurückgegeben. Es dient als Input für den nächsten Thought.
Dieser Zyklus wiederholt sich, bis die Aufgabe gelöst ist.
ReAct in Aktion: Ein Beispiel
Frage: "In welchem Jahr wurde die Hauptstadt des Landes gegründet, in dem der Transformer erfunden wurde?"
Warum ReAct besser funktioniert
- Transparenz: Die Thought-Schritte machen den Denkprozess nachvollziehbar. Man kann sehen, warum das Modell eine bestimmte Aktion gewählt hat.
- Fehlerkorrektur: Wenn eine Aktion ein unerwartetes Ergebnis liefert, kann das Modell seinen Ansatz anpassen. Es bleibt nicht stur bei einer falschen Strategie.
- Grounding: Durch die Aktionen (Suche, Berechnung) basieren Antworten auf echten Daten statt auf Halluzinationen.
- Flexibilität: Das Pattern funktioniert mit beliebigen Tools — Websuche, Datenbanken, APIs, Code-Ausführung.
ReAct in heutigen Agent-Frameworks
ReAct ist heute die Basis praktisch aller AI-Agent-Frameworks:
- LangChain Agents: Implementieren den ReAct-Loop als Standard-Agent-Typ
- Claude Tool Use: Anthropics Function Calling folgt dem Thought-Action-Observation-Pattern
- AutoGPT / CrewAI: Multi-Agent-Systeme, bei denen jeder Agent intern ReAct verwendet
- Claude Code: Verwendet ebenfalls das ReAct-Muster für Code-Analyse und -Generierung
Für eine Übersicht über Agent-Patterns inklusive ReAct, siehe Agent Orchestration Patterns.
Quellen
- Yao, S. et al. (2022). "ReAct: Synergizing Reasoning and Acting in Language Models." arXiv:2210.03629
Verwandte Artikel
Agent Orchestration Patterns
Übersicht über bewährte Orchestration-Patterns für Multi-Agent Systeme.
Retrieval-Augmented Generation (2020)
RAG erklärt: Wie LLMs durch externe Wissensquellen besser und zuverlässiger werden.
Constitutional AI (2022)
AI Safety von Anthropic: Wie man AI-Systeme durch Prinzipien statt durch Menschen aligned.
Verwandte Artikel
Agent Orchestration Patterns
Übersicht über bewährte Orchestration-Patterns für Multi-Agent Systeme.
Retrieval-Augmented Generation (2020)
RAG erklärt: Wie LLMs durch externe Wissensquellen besser und zuverlässiger werden.
Constitutional AI (2022)
AI Safety von Anthropic: Wie man AI-Systeme durch Prinzipien statt durch Menschen aligned.
War dieser Artikel hilfreich?
Weiter im Lernpfad
Der Lernpfad bringt diese Artikel in eine Reihenfolge, und der Hub führt die Bausteine, die wir im eigenen Betrieb geprüft haben.
- Lokal und selbst gehostet
- Dokumentiert und prüfbar
- Aus eigenem Betrieb
- Made in Austria