ReAct: patrón de razonamiento y acción

ReAct significa Reason + Act (razonar + actuar). Es el patrón de referencia para agentes LLM de varios pasos, publicado por Yao y sus colaboradores en 2022, y sigue siendo la base de la mayoría de los agentes modernos.

En cada paso, el agente emite tres elementos:

1. Thought: qué hacer a continuación, en lenguaje natural
2. Action: qué herramienta invocar y con qué argumentos
3. Observation: el resultado de la herramienta, que se vuelve a introducir

Se repite hasta que el agente emite Final Answer.

El paso «Thought» permite al modelo exponer su razonamiento antes de decidirse por una acción. Es el razonamiento paso a paso aplicado a los agentes.

Sin Thought, el modelo suele elegir herramientas incorrectas o argumentos erróneos.

El ReAct antiguo analizaba las líneas Action de texto sin formato. Las implementaciones modernas usan la API de llamadas a funciones:

• Herramientas definidas como esquemas JSON
• El modelo devuelve tool_calls en lugar de líneas Action de texto
• El modelo detecta los errores cuando se añaden los resultados

• Plan-and-Execute: crear primero el plan completo y ejecutarlo después
• Reflexion: el agente se autoevalúa después de cada paso
• Tree-of-Thoughts: explorar varias ramas de Thought

• Tareas con pasos exploratorios (investigación, depuración)
• Tareas en las que la siguiente acción depende del resultado anterior
• Tareas cuyo plan no se puede conocer de antemano

• Pipelines fijos (traducción, clasificación): resulta excesivo
• Tareas con un horizonte muy largo: Plan-and-Execute es mejor
• Ciclos de control en tiempo real: es demasiado lento

• Bucles en los que el agente llama repetidamente a la misma herramienta
• Final Answer prematura sin información suficiente
• Confusión cuando fallan las herramientas
• Desbordamiento del presupuesto de tokens por pasos Thought demasiado extensos

Después de Final Answer, pregunte al agente: «¿Era correcto? ¿Podría mejorarse?». Muchas implementaciones añaden este paso de reflexión para obtener una mayor calidad.

• LangChain create_react_agent
• LlamaIndex ReActAgent
• AutoGen UserProxyAgent + AssistantAgent
• Implementación propia: es más fácil de lo que parece

ReAct añade entre 2 y 3 veces más llamadas al LLM que una consulta de una sola ejecución. Cada Thought es una llamada al LLM y las Observation añaden tokens. Establezca límites para MAX_STEPS y para los tokens de cada paso.

¿Cuáles son los tres componentes de un paso de ReAct?

ReAct es la base de los agentes de varios pasos. Domine el ciclo y podrá crear cualquier agente que use herramientas.