ReAct: pattern Ragionamento + Azione

ReAct è l'acronimo di Reason + Act. È il pattern canonico per gli agenti LLM a più passaggi, pubblicato da Yao et al. nel 2022 e ancora oggi alla base della maggior parte degli agenti moderni.

A ogni passaggio, l'agente produce tre elementi:

1. Thought — cosa fare dopo, in linguaggio naturale
2. Action — quale strumento chiamare e con quali argomenti
3. Observation — il risultato dello strumento, reinserito nel ciclo

Il ciclo continua finché l'agente non produce Final Answer.

Il passaggio "Thought" consente al modello di esporre il proprio ragionamento prima di impegnarsi in un'azione. È il chain-of-thought applicato agli agenti.

Senza Thought, il modello sceglie spesso strumenti o argomenti errati.

Il vecchio ReAct analizzava le righe Action dal testo semplice. Le implementazioni moderne usano l'API di function calling:

• Strumenti definiti come schemi JSON
• Il modello restituisce tool_calls invece delle righe Action testuali
• Il modello rileva gli errori quando i risultati vengono aggiunti

• Plan-and-Execute — prima elabora l'intero piano, poi lo esegue
• Reflexion — l'agente valuta criticamente il proprio operato dopo ogni passaggio
• Tree-of-Thoughts — esplora più rami Thought

• Attività con passaggi esplorativi (ricerca, debugging)
• Attività in cui l'azione successiva dipende dal risultato precedente
• Attività in cui il piano non può essere definito in anticipo

• Pipeline fisse (traduzione, classificazione): è eccessivo
• Attività con orizzonte molto lungo: Plan-and-Execute è migliore
• Cicli di controllo in tempo reale: è troppo lento

• Cicli in cui l'agente chiama ripetutamente lo stesso strumento
• Final Answer prematura, senza informazioni sufficienti
• Confusione quando gli strumenti non funzionano
• Eccessivo consumo del budget di token durante passaggi Thought troppo prolissi

Dopo Final Answer, chiedete all'agente: "La risposta è corretta? Potrebbe essere migliore?" Molte implementazioni aggiungono questo passaggio di riflessione per aumentare la qualità.

• LangChain create_react_agent
• LlamaIndex ReActAgent
• AutoGen UserProxyAgent + AssistantAgent
• Implementazione manuale: è più semplice di quanto sembri

ReAct aggiunge 2-3 volte più chiamate all'LLM rispetto a una singola richiesta. Ogni Thought è una chiamata all'LLM e le Observation aggiungono token. Impostate un limite MAX_STEPS e limiti di token per ogni passaggio.

Quali sono i tre componenti di un passaggio ReAct?

ReAct è alla base degli agenti a più passaggi. Imparate a gestire il ciclo e potrete creare qualsiasi agente che utilizzi strumenti.