ReAct : schéma raisonner puis agir

ReAct signifie Reason + Act. Il s’agit du modèle de référence pour les agents LLM à plusieurs étapes — publié par Yao et ses collègues en 2022, il reste à la base de la plupart des agents modernes.

À chaque étape, l’agent émet trois éléments :

1. Pensée — ce qu’il faut faire ensuite, en langage naturel
2. Action — l’outil à appeler et les arguments à lui transmettre
3. Observation — le résultat de l’outil, réinjecté dans la boucle

Répétez jusqu’à ce que l’agent émette la réponse finale.

L’étape « Pensée » permet au modèle d’exposer son raisonnement avant de choisir une action. Il s’agit d’une chaîne de raisonnement appliquée aux agents.

Sans cette étape, le modèle choisit souvent de mauvais outils ou des arguments incorrects.

Les anciennes implémentations de ReAct analysaient les lignes d’action dans du texte brut. Les implémentations modernes utilisent l’API d’appel de fonctions :

• Outils définis sous forme de schémas JSON
• Le modèle renvoie des tool_calls plutôt que des lignes d’action textuelles
• Le modèle détecte les erreurs lorsque les résultats sont ajoutés

• Planification-exécution — établir d’abord le plan complet, puis l’exécuter
• Réflexion — l’agent s’autoévalue après chaque étape
• Arbre des pensées — explorer plusieurs branches de réflexion

• Tâches comportant des étapes exploratoires (recherche, débogage)
• Tâches où l’action suivante dépend du résultat précédent
• Tâches dont le plan ne peut pas être connu à l’avance

• Chaînes de traitement fixes (traduction, classification) — solution disproportionnée
• Tâches à très long horizon — la planification-exécution est préférable
• Boucles de contrôle en temps réel — trop lentes

• Boucles dans lesquelles l’agent appelle le même outil à répétition
• Réponse finale prématurée sans informations suffisantes
• Confusion lorsque les outils échouent
• Explosion du budget de jetons à cause d’étapes de réflexion trop bavardes

Après la réponse finale, demandez à l’agent : « Était-elle correcte ? Pourrait-elle être améliorée ? » De nombreuses implémentations ajoutent cette étape de réflexion pour améliorer la qualité.

• LangChain create_react_agent
• LlamaIndex ReActAgent
• AutoGen UserProxyAgent + AssistantAgent
• Implémentation personnalisée — plus simple qu’il n’y paraît

ReAct ajoute deux à trois fois plus d’appels au LLM qu’un appel unique. Chaque Pensée est un appel au LLM et les Observations ajoutent des jetons. Limitez MAX_STEPS et le nombre de jetons par étape.

Quels sont les trois composants d’une étape ReAct ?

ReAct est à la base des agents à plusieurs étapes. Maîtrisez la boucle et vous pourrez créer n’importe quel agent utilisant des outils.