ReAct Prompting

ReAct (Reasoning and Acting) prompting is an advanced prompt engineering paradigm that enables Large Language Models (LLMs) to dynamically interleave step-by-step reasoning traces with task-specific actions. Introduced in the influential 2022 academic paper "ReAct: Synergizing Reasoning and Acting in Language Models", this technique transforms a static language model into an interactive AI agent. By explicitly generating thoughts about a problem and executing actions to retrieve external information, the ReAct framework significantly improves factual accuracy and decision-making capabilities in complex artificial intelligence workflows.

Link to this sectionAkıl Yürütme ve Eyleme Geçmenin Mekanikleri#

Geleneksel etkileşimlerde model, tamamen kendi dahili bilgisine dayalı bir yanıt üretir ve bu durum genellikle LLM'lerde halüsinasyonlara yol açar. ReAct mimarisi, Düşünceler, Eylemler ve Gözlemlerden oluşan sürekli bir döngü kullanarak yapay zekayı harici ortamlarda temellendirerek bu sorunu çözer.

Bir sorguyla karşılaştığında model, önce stratejisini ana hatlarıyla belirtmek için bir "Düşünce" üretir. Ardından, bir arama motorunu sorgulama, veritabanı ile etkileşime girme veya işlev çağırma olarak bilinen bir kavram aracılığıyla bir görme API'sini çağırma gibi bir "Eylem" tetikler. Ortam, olgusal veriler sağlayarak bir "Gözlem" döndürür. Model bu yeni bilgiyi değerlendirir, akıl yürütmesini günceller ve sonuca ulaşana kadar döngüyü yineler. ReAct üzerine İstem Mühendisliği Kılavuzu içerisinde daha detaylı açıklanan bu metodoloji, insan problem çözme sürecini yansıtır ve oldukça şeffaf, kontrol edilebilir ajan davranışları oluşturur.

Link to this sectionGerçek Dünya Uygulamaları#

ReAct istemleme, yinelemeli problem çözme ve çok adımlı araç kullanımı gerektiren senaryolarda öne çıkar ve bu da onu modern ajan yapay zeka sistemleri için temel kılar.

• Otomatik Müşteri Destek Ajanları: Kurumsal ortamlarda BT yardım masası ajanları, kullanıcı sorunlarını çözmek için ReAct'i kullanır. Bir kullanıcı ağ kesintisi bildirirse ajan, sunucu durumunu kontrol etmesi gerektiği sonucuna varır (akıl yürütür). Bir tanılama API'sine ping atarak eyleme geçer, sonucu gözlemler ve ardından ya talebi yükseltir ya da alınan gerçeklere dayalı bir sorun giderme kılavuzu sunarak geleneksel Retrieval-Augmented Generation (RAG) hatlarını optimize eder.
• Dinamik Görsel Analiz: Bilgisayarlı görü sistemleri, karmaşık görsel soru yanıtlama için ReAct'ten yararlanır. Envanter yönetimi ile görevli robotik bir ajan bir rafı gözlemleyebilir, belirli öğeleri sayması gerektiği sonucuna varabilir, bir nesne algılama modelini çağırarak eyleme geçebilir ve sayımını sonuçlandırmak için dönen sınırlayıcı kutu verilerini kullanabilir. Bu sinerji, metin tabanlı akıl yürütme ile uzamsal anlama arasındaki boşluğu doldurur.

Link to this sectionReAct'i Bilgisayarlı Görü ile Uygulama#

Python kullanan geliştiriciler için ReAct ajanları, fiziksel dünyayla etkileşime girmek adına genellikle algı modellerini yönetir. 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 görme araçları için veri kümelerini yönetmek ve deneyleri takip etmek, modern yapay zeka dağıtımı için kapsamlı çözümler sunan Ultralytics Platform kullanılarak tamamen optimize edilebilir. Bu ajanları sıfırdan oluşturmak isteyenler, resmi ReAct deposundaki temel mantığı da inceleyebilirler.

Link to this sectionİlgili Kavramları Ayırt Etme#

Son akademik uyum araştırmalarında incelendiği üzere sağlam çok modlu mimariler tasarlamak için ReAct'i ilgili mühendislik modellerinden ayırt etmek kritiktir:

• Vs. Düşünce Zinciri İstemleme: Düşünce Zinciri (CoT), bir modeli adım adım düşünmeye teşvik eder ancak tamamen statik, dahili bilgiye güvenir. ReAct, akıl yürütme sürecinde taze, harici gözlemler toplayan dinamik "eylemler" enjekte ederek CoT'yi genişletir.
• Vs. İstem Zincirleme: İstem zincirleme, bir adımın çıktısının otomatik olarak diğerine beslendiği ayrı LLM çağrılarının dizisinin sabit kodlanmasını içerir. ReAct, katı bir şekilde zincirlenmiş bir komut dosyasını takip etmek yerine, tek bir ajanın devam eden gözlemlere dayanarak hangi araçların veya sıralı eylemlerin alınacağına dinamik olarak karar verdiği daha özerk bir paradigmadır.

Mantıksal çıkarımı, Çok Modlu Modeller gibi özel harici araçların yürütülmesiyle birleştiren ReAct istemleme, oldukça yetenekli ve genelleştirilmiş yapay zeka sistemlerinin geliştirilmesini sağlar.