ReAct Prompting
ReActプロンプティングでは、LLMが推論ステップと、検索やツール呼び出しなどのアクションを交互に実行し、各結果を確認してから次の行動を決定します。
ReActプロンプティングは、reasoning and acting(推論と行動)の略で、大規模言語モデル(LLM)に、タスクについて考えを書き、検索やツール呼び出しなどのアクションを実行し、その結果の観察を読むというサイクルを、回答できるまで繰り返させます。推論がアクションを計画して追跡し、アクションがモデル外部の事実を取り込むため、回答は記憶だけでなく取得した証拠に基づきます。Princeton UniversityとGoogle ResearchのShunyu Yao氏らは、ICLR 2023で発表した論文「ReAct: Synergizing Reasoning and Acting in Language Models」でこの手法を紹介しました。プロンプト内の例が1つか2つだけでも、ALFWorldの家庭内タスクとWebShopのオンラインショッピングベンチマークで、成功率の絶対値が、より多くのデータで学習した模倣学習や強化学習の手法をそれぞれ34ポイント、10ポイント上回りました。現在のツール利用型AIエージェントも同じループを実行します。
ReActの仕組み#
ReActプロンプトは、いくつかの軌跡例を含むfew-shotプロンプトです。各軌跡は質問に続いて、Thought、Action、Observationの各行を交互に並べたものです。新しい質問を受け取ると、モデルは思考とアクションを書いて停止します。コントローラーのコードがアクションを解析して対応するツールを実行し、結果を次のObservationとして追加した後、長くなった履歴を使って再びモデルを呼び出します。論文では、質問応答用に3つのアクションを備えた最小限のWikipediaインターフェースをモデルに提供しました。search[entity]はページの最初の文を返し、lookup[string]は現在のページ内で指定文字列を含む次の文を返し、finish[answer]はタスクを終了します。
ReActの軌跡例#
この例は、複数のWikipediaページにある事実を組み合わせる必要がある質問応答データセットHotpotQA用のプロンプトから引用したものです。最初の検索で回答が見つからない場合に、ループを通じて回答を見つける様子を示しています。
Question: What is the elevation range for the area that the eastern sector of the Colorado orogeny extends into?
Thought 1: I need to search Colorado orogeny, find the area that the eastern sector of the Colorado orogeny extends into, then find the elevation range of the area.
Action 1: Search[Colorado orogeny]
Observation 1: The Colorado orogeny was an episode of mountain building (an orogeny) in Colorado and surrounding areas.
Thought 2: It does not mention the eastern sector. So I need to look up eastern sector.
Action 2: Lookup[eastern sector]
Observation 2: (Result 1 / 1) The eastern sector extends into the High Plains and is called the Central Plains orogeny.
Thought 3: The eastern sector of Colorado orogeny extends into the High Plains. So I need to search High Plains and find its elevation range.
Action 3: Search[High Plains]
Observation 3: High Plains refers to one of two distinct land regions:
Thought 4: I need to instead search High Plains (United States).
Action 4: Search[High Plains (United States)]
Observation 4: The High Plains are a subregion of the Great Plains. From east to west, the High Plains rise in elevation from around 1,800 to 7,000 ft (550 to 2,130 m).
Thought 5: High Plains rise in elevation from around 1,800 to 7,000 ft, so the answer is 1,800 to 7,000 ft.
Action 5: Finish[1,800 to 7,000 ft]Thought 2では、ページに必要な事実がないことに気付き、検索からルックアップに切り替えています。Thought 4では曖昧な検索結果を解決しています。この2つの修正は、固定された検索順序では実行できません。
成果と限界#
観察結果に基づいて推論をグラウンディングすると、主に事実の捏造を減らせます。論文のPaLM-540Bを使ったHotpotQAのエラー分析では、ハルシネーションが思考の連鎖の失敗の56%を占めた一方、ReActの失敗では一度も発生しませんでした。また、思考の連鎖の偽陽性率は14%で、ReActは6%でした。このループには別の失敗要因もあります。有用な情報を返さない検索がReActのエラーの23%を占めており、空の観察結果が後続の推論を妨げます。HotpotQAでは、ReAct単独の完全一致率は27.4%で、思考の連鎖の29.4%を下回りました。一方、事実確認タスクFeverでは、正解率60.9%で、56.3%の思考の連鎖を上回りました。HotpotQAでの最高結果は35.1%で、ReActが所定のステップ数以内に回答できなかった場合、自己整合性を用いた思考の連鎖に切り替えるという、両手法の組み合わせで達成しました。
最新のエージェントにおけるReAct#
現在のLLM APIでは、関数呼び出しを通じてアクションの段階をモデルに組み込んでいます。モデルはテキスト行ではなく構造化されたツール呼び出しを出力し、アプリケーションが実行して結果を返します。このときも、Thought-Action-Observationのループは同じです。検索だけでなく、コード実行、データベース、コンピューター操作エージェントのブラウザー、Model Context Protocol(MCP)経由で公開されるサービスなど、幅広いツールを利用できます。エージェント型RAGでは、生成前に一度だけ検索するのではなく、エージェントが検索のタイミングと内容を判断します。エージェントは読み取ったテキストに基づいて行動するため、ReActシステムはツールの結果を通じたプロンプトインジェクションのリスクを引き継ぎます。そのため、ツールの権限は必要最小限に抑え、リスクの高い操作は多くの場合サンドボックス内で実行します。
Ultralytics Platform AutoTrainのAsk AIも、この方式でツールを実行します。Platform CLIのul cloudコマンドを使ってデータセットを検索し、学習を開始し、完了したモデルを比較してエクスポートまたはデプロイします。回答はコマンドから返された情報に基づいて作成されます。
ReActと関連手法の比較#
- 思考の連鎖プロンプティング: モデル自身の知識から一度に推論し、回答の途中で事実を確認する手段はありません。ReActでは、推論ステップの間に新しい情報を取得するアクションを加えます。
- プロンプトチェーン: 開発者がコードでモデル呼び出しの順序を固定します。ReActでは、モデルがそれまでの観察に基づいて次のアクションを選びます。
- 思考の木(ToT): 複数の推論経路の候補を探索し、弱い経路からは後戻りしますが、外部環境には働きかけません。ReActは1つの経路を進みますが、観察結果に基づいて推論します。
- 推論モデル: 回答前に長い推論を記述するよう学習されており、現在の多くのシステムでは推論ステップ間にツールも呼び出します。これにより、ReActのループがモデル自体に組み込まれています。










