ReAct Prompting

Kỹ thuật nhắc lệnh ReAct (Reasoning and Acting) là một mô hình prompt engineering tiên tiến cho phép Large Language Models (LLMs) đan xen một cách linh hoạt các bước suy luận từng bước với các tác vụ cụ thể của bài toán. Được giới thiệu trong bài báo học thuật có ảnh hưởng năm 2022 "ReAct: Synergizing Reasoning and Acting in Language Models", kỹ thuật này biến một mô hình ngôn ngữ tĩnh thành một AI agent tương tác. Bằng cách tạo ra các suy nghĩ rõ ràng về một vấn đề và thực hiện các hành động để truy xuất thông tin bên ngoài, framework ReAct cải thiện đáng kể độ chính xác về mặt sự thật và khả năng ra quyết định trong các quy trình artificial intelligence phức tạp.

Cơ chế của Reasoning and Acting#

Trong các tương tác truyền thống, một mô hình tạo ra phản hồi dựa hoàn toàn vào kiến thức nội tại của nó, điều này thường dẫn đến tình trạng hallucinations in LLMs. Kiến trúc ReAct giải quyết vấn đề này bằng cách neo giữ AI trong các môi trường bên ngoài thông qua một vòng lặp liên tục gồm các Suy nghĩ (Thoughts), Hành động (Actions) và Quan sát (Observations).

Khi đối mặt với một truy vấn, mô hình trước tiên tạo ra một "Suy nghĩ" để phác ạch chiến lược của mình. Sau đó, nó kích hoạt một "Hành động", chẳng hạn như truy vấn một công cụ tìm kiếm, tương tác với cơ sở dữ liệu, hoặc gọi một API thị giác thông qua một khái niệm được gọi là function calling. Môi trường trả về một "Quan sát", cung cấp dữ liệu thực tế. Mô hình đánh giá thông tin mới này, cập nhật suy luận của mình và lặp lại chu kỳ cho đến khi đi đến câu trả lời cuối cùng. Phương pháp này, được trình bày chi tiết hơn trong Prompt Engineering Guide on ReAct, phản ánh quá trình giải quyết vấn đề của con người và thiết lập các hành vi của agent có độ minh bạch và khả năng kiểm soát cao.

Các ứng dụng trong thực tế#

Kỹ thuật nhắc lệnh ReAct tỏa sáng trong các kịch bản đòi hỏi giải quyết vấn đề lặp đi lặp lại và sử dụng công cụ đa bước, làm cho nó trở thành nền tảng cho các agentic AI systems hiện đại.

• Automated Customer Support Agents: Trong môi trường doanh nghiệp, các agent hỗ trợ công nghệ thông tin sử dụng ReAct để giải quyết các vấn đề của người dùng. Nếu người dùng báo cáo sự cố mất kết nối mạng, agent sẽ suy luận rằng nó cần kiểm tra trạng thái máy chủ. Nó hành động bằng cách gửi lệnh ping tới một API chẩn đoán, quan sát kết quả, và sau đó hoặc là chuyển tiếp ticket hoặc cung cấp hướng dẫn khắc phục sự cố dựa trên các sự thật đã được truy xuất, giúp tối ưu hóa các đường ống Retrieval-Augmented Generation (RAG) truyền thống.
• Dynamic Visual Analysis: Các hệ thống Computer vision tận dụng ReAct cho các tác vụ hỏi đáp trực quan phức tạp. Một agent robot có nhiệm vụ quản lý kho hàng có thể quan sát một kệ hàng, suy luận rằng nó cần đếm các mặt hàng cụ thể, hành động bằng cách gọi một mô hình object detection, và sử dụng dữ liệu bounding box trả về để hoàn thiện số đếm của mình. Sự tổng hợp này thu hẹp khoảng cách giữa suy luận dựa trên văn bản và sự hiểu biết không gian.

Triển khai ReAct với Computer Vision#

Đối với các nhà phát triển sử dụng Python, các ReAct agent thường điều phối các mô hình nhận thức để tương tác với thế giới vật lý. Đoạn mã khái niệm sau đây minh họa cách một vòng lặp suy luận ReAct có thể triển khai mượt mà một mô hình Ultralytics YOLO26 làm công cụ bên ngoài để quan sát và báo cáo về một môi trường.

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)

Việc quản lý tập dữ liệu và theo dõi các thí nghiệm cho các công cụ thị giác này có thể được tối ưu hóa hoàn toàn bằng cách sử dụng Ultralytics Platform, nơi cung cấp các giải pháp toàn diện cho việc triển khai AI hiện đại. Những ai quan tâm đến việc xây dựng các agent này từ đầu cũng có thể nghiên cứu logic nền tảng trong official ReAct repository.

Phân biệt các khái niệm liên quan#

Để thiết kế các kiến trúc đa phương thức mạnh mẽ như được khám phá trong các nghiên cứu academic alignment research gần đây, điều quan trọng là phải phân biệt ReAct với các mẫu kỹ thuật liên quan:

• So với Chain-of-Thought Prompting: Chain-of-Thought (CoT) khuyến khích mô hình suy nghĩ từng bước nhưng hoàn toàn dựa vào kiến thức nội tại tĩnh. ReAct mở rộng CoT bằng cách đưa vào các "hành động" động nhằm thu thập các quan sát mới từ bên ngoài trong quá trình suy luận.
• So với Prompt Chaining: Prompt chaining liên quan đến việc mã hóa cứng một chuỗi các lệnh gọi LLM riêng biệt, trong đó đầu ra của bước này được tự động chuyển vào bước tiếp theo. ReAct là một mô hình tự chủ hơn, trong đó một agent đơn lẻ quyết định một cách linh hoạt những công cụ hoặc hành động tuần tự nào cần thực hiện dựa trên các quan sát đang diễn ra, thay vì tuân theo một kịch bản được xích lại một cách cứng nhắc.

Bằng cách hợp nhất quá trình suy diễn logic với việc thực thi các công cụ bên ngoài chuyên biệt như Multi-Modal Models, kỹ thuật nhắc lệnh ReAct cho phép phát triển các hệ thống AI tổng quát, có năng lực cao.