ReAct: Muster aus Schlussfolgern und Handeln

ReAct steht für Reason + Act. Es ist das kanonische Muster für LLM-Agenten mit mehreren Schritten – 2022 von Yao et al. veröffentlicht und noch immer die Grundlage der meisten modernen Agenten.

In jedem Schritt gibt der Agent drei Dinge aus:

1. Thought – was als Nächstes zu tun ist, in natürlicher Sprache
2. Action – welches Tool mit welchen Argumenten aufgerufen werden soll
3. Observation – das Tool-Ergebnis, das wieder eingespeist wird

Wiederholen Sie dies, bis der Agent Final Answer ausgibt.

Der Schritt „Thought“ ermöglicht es dem Modell, seine Überlegungen darzulegen, bevor es sich für eine Aktion entscheidet. Dabei wird Chain-of-Thought auf Agenten angewendet.

Ohne Thought wählt das Modell häufig die falschen Tools oder Argumente.

Frühere ReAct-Implementierungen analysierten Action-Zeilen aus einfachem Text. Moderne Implementierungen verwenden die Function-Calling-API:

• Tools werden als JSON-Schemas definiert
• Das Modell gibt tool_calls statt textbasierter Action-Zeilen zurück
• Fehler werden vom Modell erkannt, wenn Ergebnisse angehängt werden

• Plan-and-Execute – zuerst den vollständigen Plan erstellen, dann ausführen
• Reflexion – der Agent bewertet sich nach jedem Schritt selbst
• Tree-of-Thoughts – mehrere Thought-Zweige untersuchen

• Aufgaben mit explorativen Schritten (Recherche, Debugging)
• Aufgaben, bei denen die nächste Aktion vom vorherigen Ergebnis abhängt
• Aufgaben, deren Plan nicht im Voraus bekannt sein kann

• Feste Pipelines (Übersetzung, Klassifizierung) – überdimensioniert
• Aufgaben mit sehr langem Planungshorizont – Plan-and-Execute ist besser
• Echtzeit-Regelkreise – zu langsam

• Schleifen, in denen der Agent wiederholt dasselbe Tool aufruft
• Eine zu frühe Final Answer ohne ausreichende Informationen
• Verwirrung, wenn Tools fehlschlagen
• Explodierender Token-Verbrauch durch ausufernde Thought-Schritte

Fragen Sie den Agenten nach Final Answer: „War das korrekt? Könnte es besser sein?“ Viele Implementierungen fügen diesen Reflexionsschritt hinzu, um die Qualität zu steigern.

• LangChain create_react_agent
• LlamaIndex ReActAgent
• AutoGen UserProxyAgent + AssistantAgent
• Selbst implementiert – einfacher, als es aussieht

ReAct verursacht 2- bis 3-mal mehr LLM-Aufrufe als ein Single-Shot-Aufruf. Jeder Thought ist ein LLM-Aufruf, und Observations erhöhen den Token-Verbrauch. Begrenzen Sie MAX_STEPS und die Token-Anzahl pro Schritt.

Aus welchen drei Komponenten besteht ein ReAct-Schritt?

ReAct ist die Grundlage für Agenten mit mehreren Schritten. Beherrschen Sie die Schleife, können Sie jeden Agenten bauen, der Tools verwendet.