ReAct Prompting

Промптинг ReAct (Reasoning and Acting) — это продвинутая парадигма промпт-инжиниринга, которая позволяет большим языковым моделям (LLM) динамически чередовать пошаговые рассуждения с действиями под конкретную задачу. Представленная в влиятельной академической статье 2022 года "ReAct: Synergizing Reasoning and Acting in Language Models", эта техника превращает статичную языковую модель в интерактивного ИИ-агента. Явно генерируя мысли о проблеме и выполняя действия для извлечения внешней информации, фреймворк ReAct существенно повышает фактическую точность и возможности принятия решений в сложных рабочих процессах искусственного интеллекта.

Механика Reasoning and Acting#

В традиционных взаимодействиях модель генерирует ответ, основываясь исключительно на своих внутренних знаниях, что часто приводит к галлюцинациям в LLM. Архитектура ReAct решает эту проблему, привязывая ИИ к внешней среде с помощью непрерывного цикла из мыслей, действий и наблюдений (Thoughts, Actions, and Observations).

При столкновении с запросом модель сначала генерирует «мысль» (Thought), чтобы наметить свою стратегию. Затем она инициирует «действие» (Action), такое как запрос к поисковой системе, взаимодействие с базой данных или вызов API компьютерного зрения с помощью концепции, известной как вызов функций (function calling). Окружающая среда возвращает «наблюдение» (Observation), предоставляя фактические данные. Модель оценивает эту новую информацию, обновляет свои рассуждения и повторяет цикл, пока не придет к окончательному ответу. Эта методология, подробно описанная в Руководстве по промпт-инжинирингу для ReAct, повторяет процесс решения проблем человеком и обеспечивает высокую прозрачность и управляемость поведения агента.

Реальные приложения#

Промптинг ReAct превосходно работает в сценариях, требующих итеративного решения проблем и многошагового использования инструментов, что делает его фундаментальным для современных агентных систем ИИ.

• Автоматизированные агенты службы поддержки: В корпоративной среде агенты ИТ-хелпдеска используют ReAct для решения пользовательских проблем. Если пользователь сообщает о сбое сети, агент рассуждает, что ему нужно проверить статус сервера. Он действует, отправляя запрос (ping) на диагностический API, наблюдает результат и затем либо эскалирует тикет, либо предоставляет руководство по устранению неполадок на основе извлеченных фактов, оптимизируя традиционные конвейеры извлечения с дополненной генерацией (RAG).
• Динамический визуальный анализ: Системы компьютерного зрения используют ReAct для сложного визуального отвечания на вопросы (Visual Question Answering). Роботизированный агент, выполняющий задачу управления запасами, может осмотреть полку, сделать вывод о необходимости подсчета определенных предметов, выполнить действие путем вызова модели обнаружения объектов и использовать возвращаемые данные ограничивающих рамки (bbox) для завершения подсчета. Эта синергия преодолевает разрыв между текстовыми рассуждениями и пространственным пониманием.

Реализация ReAct с помощью Computer vision#

Для разработчиков, использующих Python, агенты ReAct часто оркестрируют модели восприятия для взаимодействия с физическим миром. Следующий концептуальный код демонстрирует, как цикл рассуждений ReAct может бесшовно развернуть модель Ultralytics YOLO26 в качестве внешнего инструмента для наблюдения за окружающей средой и отчета о ней.

from ultralytics import YOLO


def vision_tool(image_path: str) -> str:
    """Action tool for a ReAct agent to detect objects in an image."""
    model = YOLO("yolo26n.pt")  # Load highly efficient YOLO26 nano model
    results = model(image_path)

    # Format the observation for the LLM's reasoning loop
    detected_classes = [model.names[int(c)] for c in results[0].boxes.cls]
    return f"Observation: Found {len(detected_classes)} objects: {', '.join(detected_classes)}"


# Simulated ReAct agent executing an action
agent_observation = vision_tool("https://ultralytics.com/images/bus.jpg")
print(agent_observation)

Управление датасетами и отслеживание экспериментов для этих инструментов компьютерного зрения можно полностью оптимизировать с помощью платформы Ultralytics Platform, которая предлагает комплексные решения для современного развертывания ИИ. Те, кто заинтересован в создании таких агентов с нуля, также могут изучить базовую логику в официальном репозитории ReAct.

Разграничение похожих концепций#

Чтобы проектировать надежные многомодальные архитектуры, исследуемые в недавних исследованиях по академическому выравниванию, крайне важно отличать ReAct от связанных инженерных паттернов:

• По сравнению с промптингом цепочки мыслей (Chain-of-Thought): Цепочка мыслей (CoT) побуждает модель мыслить пошагово, но полностью опирается на статичные внутренние знания. ReAct расширяет CoT, внедряя динамические «действия», которые собирают свежие внешние наблюдения в процессе рассуждения.
• По сравнению с цепочками промптов (Prompt Chaining): Цепочки промптов предполагают жесткое кодирование последовательности раздельных вызовов LLM, где вывод одного шага автоматически передается на вход следующего. ReAct — это более автономная парадигма, в которой единый агент динамически решает, какие инструменты или последовательные действия предпринять на основе текущих наблюдений, вместо следования жестко запрограммированному сценарию.

Объединяя логическую дедукцию с выполнением специализированных внешних инструментов, таких как модели мультимодальности, промптинг ReAct позволяет разрабатывать высокоэффективные обобщенные системы ИИ.