ReAct (Reasoning + Acting) ist eine Prompting-Methode, bei der ein Sprachmodell abwechselnd Thoughts (Gedanken), Actions (Werkzeugaufrufe) und Observations (Beobachtungen) erzeugt. Entwickelt wurde das Verfahren von Shunyu Yao und Kollegen im Jahr 2022 (arXiv 2210.03629).
So funktioniert ReAct
Statt nur einen Gedankengang zu formulieren, schreibt das Modell eine Schleife aus drei Schritten:
- Thought: Überlegen, welcher Zwischenschritt als Nächstes nötig ist.
- Action: Ein Werkzeug aufrufen, etwa eine Wissensdatenbank oder einen Rechner.
- Observation: Das Ergebnis des Aufrufs auswerten und den nächsten Thought formulieren.
Damit entsteht ein Agenten-Workflow, der Planung und Ausführung eng verzahnt. In den Experimenten der Autoren verbesserte ReAct die Ergebnisse auf HotPotQA (Wissensfragen), AlfWorld (Textwelten) und WebShop (Online-Shopping) gegenüber reinem Reasoning oder reinem Acting deutlich.
Einordnung
ReAct ist eine direkte Weiterentwicklung des Chain-of-Thought-Promptings: Dieses erzeugt nur Gedanken, ReAct ergänzt echte Aktionen mit Rückmeldung aus der Umgebung. Eng verwandt sind Tree-of-Thoughts (Suche über Gedankenbäume) und Self-Consistency (Mehrfach-Sampling mit Abstimmung).
Verwandte Grundlagen: Maschinelles Lernen, Prompting-Techniken, Multi-Agent-System.