ReAct Prompting

ReAct (Reasoning and Acting) prompting, Large Language Models (LLMs) modellerinin adım adım akıl yürütme izlerini göreve özel eylemlerle dinamik olarak birleştirmesini sağlayan gelişmiş bir prompt engineering paradigmasıdır. Etkili 2022 akademik makalesi "ReAct: Synergizing Reasoning and Acting in Language Models" içinde tanıtılan bu teknik, statik bir dil modelini etkileşimli bir AI agent haline getirir. Bir sorun hakkında açıkça düşünceler üreterek ve harici bilgileri almak için eylemler yürüterek, ReAct çerçevesi karmaşık artificial intelligence iş akışlarındaki olgusal doğruluğu ve karar verme yeteneklerini önemli ölçüde geliştirir.

Akıl Yürütme ve Eyleme Geçmenin Mekanikleri#

Geleneksel etkileşimlerde, bir model tamamen kendi dahili bilgisine dayalı bir yanıt üretir; bu da genellikle hallucinations in LLMs durumuna yol açar. ReAct mimarisi, Düşünceler, Eylemler ve Gözlemlerden oluşan sürekli bir döngü kullanarak yapay zekayı harici ortamlara dayandırarak bunu çözer.

Bir sorguyla karşılaşıldığında, model ilk olarak stratejisini özetlemek için bir "Thought" (Düşünce) üretir. Ardından, bir arama motorunu sorgulama, bir veritabanıyla etkileşime geçme veya function calling olarak bilinen bir kavram aracılığıyla bir vizyon API'sini çağırma gibi bir "Action" (Eylem) tetikler. Ortam, olgusal veriler sağlayan bir "Observation" (Gözlem) döndürür. Model bu yeni bilgiyi değerlendirir, akıl yürütmesini günceller ve nihai yanıta ulaşana kadar döngüyü tekrarlar. Prompt Engineering Guide on ReAct içinde daha ayrıntılı olarak açıklanan bu metodoloji, insan sorun çözme sürecini yansıtır ve son derece şeffaf ve kontrol edilebilir ajan davranışları oluşturur.

Gerçek Dünya Uygulamaları#

ReAct prompting, yinelemeli sorun çözme ve çok adımlı araç kullanımını gerektiren senaryolarda üstündür ve bu da onu modern agentic AI systems için temel hale getirir.

• Automated Customer Support Agents: Kurumsal ortamlarda, BT yardım masası ajanları kullanıcı sorunlarını çözmek için ReAct kullanır. Bir kullanıcı ağ kesintisi bildirdiğinde, ajan sunucu durumunu kontrol etmesi gerektiği sonucuna varır. Tanılama API'sine ping atarak eyleme geçer, sonucu gözlemler ve ardından biletini yükseltir ya da alınan gerçeğe dayalı bilgilere göre bir sorun giderme kılavuzu sağlayarak geleneksel Retrieval-Augmented Generation (RAG) hatlarını kolaylaştırır.
• Dynamic Visual Analysis: Computer vision sistemleri, karmaşık görsel soru yanıtlama için ReAct'ten yararlanır. Envanter yönetimiyle görevlendirilen robotik bir ajan bir rafı gözlemleyebilir, belirli öğeleri sayması gerektiği sonucuna varabilir, bir object detection modelini çağırarak eyleme geçebilir ve sayımını sonuçlandırmak için dönen sınırlayıcı kutu verilerini kullanabilir. Bu sinerji, metin tabanlı akıl yürütme ile mekansal anlayış arasındaki boşluğu kapatır.

ReAct'i Bilgisayarlı Görü ile Uygulama#

Python kullanan geliştiriciler için, ReAct ajanları genellikle fiziksel dünyayla etkileşim kurmak üzere algılama modellerini koordine eder. Aşağıdaki kavramsal kod, bir ReAct akıl yürütme döngüsünün bir ortamı gözlemlemek ve raporlamak için Ultralytics YOLO26 modelini harici bir araç olarak nasıl sorunsuz bir şekilde konuşlandırabileceğini göstermektedir.

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)

Bu vizyon araçları için veri kümelerini yönetmek ve deneyleri takip etmek, modern yapay zeka dağıtımı için kapsamlı çözümler sunan Ultralytics Platform kullanılarak tamamen kolaylaştırılabilir. Bu ajanları sıfırdan oluşturmakla ilgilenenler ayrıca official ReAct repository içindeki temel mantığı inceleyebilir.

İlgili Kavramları Ayırt Etme#

Son academic alignment research çalışmalarında araştırıldığı gibi sağlam çok modlu mimariler tasarlamak için ReAct'i ilgili mühendislik kalıplarından ayırmak çok önemlidir:

• Vs. Chain-of-Thought Prompting: Chain-of-Thought (CoT), bir modeli adım adım düşünmeye teşvik eder ancak tamamen statik, dahili bilgiye dayanır. ReAct, akıl yürütme sürecinde yeni, harici gözlemler toplayan dinamik "actions" enjekte ederek CoT'yi genişletir.
• Vs. Prompt Chaining: Prompt chaining, bir adımın çıktısının otomatik olarak bir sonrakine beslendiği ayrı LLM çağrılarından oluşan bir dizinin sabit kodlanmasını içerir. ReAct, katı bir zincirleme komut dosyasını takip etmek yerine, devam eden gözlemlere dayanarak tek bir ajanın hangi araçları veya sıralı eylemleri alacağına dinamik olarak karar verdiği daha özerk bir paradigmadır.

Mantıksal çıkarımı Multi-Modal Models gibi özel harici araçların yürütülmesiyle birleştiren ReAct prompting, son derece yetenekli ve genelleştirilmiş yapay zeka sistemlerinin geliştirilmesini sağlar.