Licenciar o YOLO
Voltar ao glossário da Ultralytics

ReAct Prompting

A abordagem ReAct leva um LLM a alternar etapas de raciocínio com ações, como pesquisas ou chamadas a ferramentas, lendo cada resultado antes de decidir o que fazer a seguir.

A instrução ReAct, abreviatura de raciocínio e ação, faz com que um modelo de linguagem de grande porte (LLM) alterne entre escrever um pensamento sobre a tarefa, executar uma ação — como uma pesquisa ou uma chamada a uma ferramenta — e ler a observação devolvida pela ação, repetindo o ciclo até conseguir responder. O raciocínio planeia e acompanha as ações, e estas obtêm factos externos ao modelo; assim, as respostas baseiam-se em evidências recuperadas, e não apenas na memória. Shunyu Yao e colegas da Universidade de Princeton e da Google Research apresentaram o método em ReAct: Sinergia entre raciocínio e ação em modelos de linguagem, apresentado na ICLR 2023. Com apenas um ou dois exemplos na instrução, o ReAct superou métodos de aprendizagem por imitação e de aprendizagem por reforço treinados com muito mais dados, por 34 e 10 pontos percentuais na taxa de sucesso absoluto, respetivamente, nas tarefas domésticas ALFWorld e na referência de compras online WebShop. Os atuais agentes de IA que usam ferramentas executam o mesmo ciclo.

Como funciona o ReAct#

Uma instrução ReAct é uma instrução com poucos exemplos, com várias trajetórias de exemplo, cada uma constituída por uma pergunta seguida de linhas intercaladas de Pensamento, Ação e Observação. Perante uma nova pergunta, o modelo escreve um pensamento e uma ação e, em seguida, para. O código do controlador analisa a ação, executa a ferramenta correspondente, acrescenta o resultado como observação seguinte e volta a chamar o modelo com a transcrição mais longa. Para responder a perguntas, o artigo forneceu ao modelo uma interface mínima da Wikipédia com três ações: search[entity] devolve as primeiras frases de uma página, lookup[string] devolve a frase seguinte da página atual que contém uma cadeia de texto e finish[answer] termina a tarefa.

Uma trajetória ReAct#

Este exemplo da instrução usada no artigo para o HotpotQA, um conjunto de dados de resposta a perguntas que exige a combinação de factos de várias páginas da Wikipédia, mostra o ciclo a recuperar de uma primeira pesquisa que não contém a resposta:

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]

O Pensamento 2 apercebe-se de que a página não contém o facto necessário e passa a uma consulta; o Pensamento 4 resolve uma pesquisa ambígua — duas correções que uma sequência fixa de pesquisas não conseguiria fazer.

Resultados e limitações#

Fundamentar o raciocínio em observações reduz sobretudo a invenção de factos. Na análise de erros do artigo sobre o HotpotQA com o PaLM-540B, as alucinações causaram 56% das falhas da cadeia de pensamento e nenhuma das falhas do ReAct; a taxa de falsos positivos da cadeia de pensamento foi de 14%, contra 6% no ReAct. O ciclo tem a sua própria forma de falhar: as pesquisas sem resultados úteis representaram 23% dos erros do ReAct, porque uma observação vazia desvia o raciocínio subsequente. No HotpotQA, o ReAct isolado atingiu 27.4% de correspondência exata, contra 29.4% para a cadeia de pensamento; na tarefa de verificação de factos Fever, liderou com 60.9% de precisão, contra 56.3%. O melhor resultado no HotpotQA, 35.1%, surgiu da combinação dos dois métodos: quando o ReAct não conseguia responder dentro de um número definido de etapas, recorria-se à cadeia de pensamento autoconsistente.

ReAct nos agentes modernos#

As atuais APIs de LLM integram a etapa de ação no próprio modelo através da chamada de funções: em vez de uma linha de texto, o modelo emite uma chamada estruturada a uma ferramenta; a aplicação executa-a e devolve o resultado, mantendo o mesmo ciclo de Pensamento-Ação-Observação. As ferramentas vão muito além da pesquisa e incluem execução de código, bases de dados, navegadores em agentes de interação com computadores e serviços expostos através do Protocolo de Contexto de Modelo (MCP). Na RAG agêntica, o agente decide quando e o que recuperar, em vez de recuperar uma única vez antes de gerar uma resposta. Como um agente atua com base no texto que lê, os sistemas ReAct herdam o risco de injeção de instruções através dos resultados das ferramentas; por isso, as permissões das ferramentas são limitadas e as ações de risco são muitas vezes executadas em sandboxes.

A funcionalidade Pergunta à IA da Ultralytics Platform AutoTrain atua através de ferramentas desta forma: executa comandos ul cloud da CLI da Platform para encontrar conjuntos de dados, iniciar execuções de treino, comparar modelos concluídos, exportá-los ou implementar um deles, e constrói a resposta com base nos resultados desses comandos.

  • Instrução de cadeia de pensamento: Raciocina numa única passagem com base no conhecimento do próprio modelo, sem forma de verificar um facto a meio da resposta. O ReAct acrescenta ações que obtêm informações novas entre etapas de raciocínio.
  • Encadeamento de instruções: O programador define no código a sequência de chamadas ao modelo. No ReAct, o modelo escolhe cada ação seguinte com base no que observou até então.
  • Árvore de pensamentos (ToT): Pesquisa várias linhas de raciocínio candidatas e recua perante as mais fracas, sem interagir com um ambiente externo. O ReAct segue uma única linha, mas fundamenta-a em observações.
  • Modelos de raciocínio: São treinados para desenvolver raciocínios longos antes de responder e, em muitos sistemas atuais, também chamam ferramentas entre etapas de raciocínio, integrando o ciclo ReAct no próprio modelo.

Explore as soluções

Visão computacional no desporto

Visão computacional no desporto

Descubra como o Ultralytics YOLO impulsiona a visão computacional no esporte com rastreamento de jogadores e bolas, análise de desempenho, insights para treinadores e reabilitação de atletas.
Saiba mais
Visão computacional para imagens aéreas

Visão computacional para imagens aéreas

Transforma imagens de drones e aéreas em informações em tempo real para a agricultura, a aquacultura, a conservação e a análise geoespacial com Ultralytics YOLO.
Saiba mais
Visão computacional no setor aeroespacial

Visão computacional no setor aeroespacial

Aplica visão computacional na indústria aeroespacial com Ultralytics YOLO para inspecionar aeronaves, detetar objetos estranhos na pista (FOD), apoiar operações aeroportuárias em terra e detetar defeitos em materiais compósitos.
Saiba mais
Visão computacional na segurança

Visão computacional na segurança

Protege todas as instalações com os modelos Ultralytics YOLO. A IA visual permite monitorizar perímetros, detetar ameaças, reconhecer matrículas e melhorar a segurança no local de trabalho.
Saiba mais
Visão computacional na robótica

Visão computacional na robótica

Potencia máquinas mais inteligentes com os modelos Ultralytics YOLO. A IA visual na robótica permite navegação autónoma, perceção, rastreamento de objetos e controlo em tempo real.
Saiba mais
Visão computacional na logística

Visão computacional na logística

Otimize a logística com os modelos Ultralytics YOLO. A IA de visão permite inspecionar pacotes, fazer triagem, rastrear veículos e monitorar a segurança em tempo real nos armazéns.
Saiba mais
Visão computacional no varejo

Visão computacional no varejo

Reinvente o varejo com os modelos Ultralytics YOLO. A IA de visão permite rastrear o estoque, monitorar prateleiras, gerenciar filas e obter insights mais inteligentes sobre clientes.
Saiba mais
Visão computacional na área da saúde

Visão computacional na área da saúde

Desenvolva soluções de saúde com os modelos Ultralytics YOLO. A IA de visão na área da saúde permite obter imagens médicas mais rapidamente, diagnósticos mais inteligentes e monitoramento de pacientes.
Saiba mais
Visão computacional na manufatura

Visão computacional na manufatura

Otimize a manufatura com modelos Ultralytics YOLO. A IA visual impulsiona o controle de qualidade, a detecção de defeitos, a conformidade com o uso de EPI e a automação da linha de montagem.
Saiba mais
Visão computacional no setor automotivo

Visão computacional no setor automotivo

Aplique visão computacional no setor automotivo com modelos Ultralytics YOLO. A IA visual aumenta a segurança viária, aprimora a assistência ao condutor e viabiliza a automação de veículos para estradas mais inteligentes.
Saiba mais
Visão computacional na agricultura

Visão computacional na agricultura

Leve a IA de visão à agricultura inteligente com os modelos Ultralytics YOLO. Aprimore o monitoramento de plantações, o rastreamento de animais e a agricultura de precisão para obter safras maiores e mais inteligentes.
Saiba mais

Vamos construir juntos o futuro da IA!

Comece sua jornada rumo ao futuro do aprendizado de máquina