În interiorul modelului de proiectare ReAct: Cum gândește și acționează AI modernă

O altă săptămână, o altă tendință AI luminează linia de timp. De data aceasta, este ReAct (nope, nu JavaScript-ul pe care îl cunoașteți deja și îl iubiți).Gândirea + acțiuneaUn model care face zgomot serios în lumea agenților AI.

Inițial introdus în 2022 (care este practic vechi în anii AI), modelul ReAct este brusc peste tot - și pentru un motiv bun ... Urmăriți-l pe măsură ce dezvăluim ce este, cum funcționează și cum să-l implementați în propriul flux de lucru agentic.

Scared of the AI wave? 🌊 Nah. It’s time to Re-Act!

Ce este ReAct Design Pattern?

S-ar putea să te gândești”Ugh... un alt articol React în 2025? Nu am vorbit despre asta de... un deceniu?„sau poate”Desigur, știu React design patterns!”

We're talking about a different kind of ReAct here!

În lumea lui AI,Reacţie- care vine de la "Rezonare" + "Acționare" - este un model de proiectare în care LLM-urile combină raționamentul și acțiunea pentru a rezolva sarcinile complexe mai eficient sau pentru a produce rezultate mai adaptabile și mai precise.

Haideți să-l rupem cu o analogie delicioasă!

Să presupunem că construiți un bucătar robot AI . Dacă spuneți doar "faceți un sandwich", un sistem AI de bază ar putea cere un LLM pentru instrucțiuni și să returneze o rețetă statică.

Dar aReAct-powered agentUn joc cu totul diferit!În primul rând.reasons„Așteaptă – ce fel de sandwich? am ingredientele? unde este pâinea?”acts: deschide frigiderul, ia ceea ce are nevoie, felii, stivele și voilà – BLT complet!

Astfel, ReAct nu răspunde doar.Gândeşte şi planuri,şisă execute.Pas cu pas, pas cu pas.

Acest model a fost introdus pentru prima dată în documentul din 2022”.ReAct: sinergizarea raționamentului și a acțiunii în modelele lingvisticeȘi explodează în 2025 ca coloana vertebrală a agenților moderni AI și agenți agenți RAG.

Acum, cum este posibil și cum funcționează de fapt acest model de proiectare?

ReAct Origins: Cum o lucrare din 2022 a declanșat o revoluție a fluxului de lucru AI

Până la sfârșitul anului 2022, înReAct: sinergizarea raționamentului și a acțiunii în modelele lingvisticeO carte bazată pe această idee:

Abilitățile de raționament (de exemplu, stimularea lanțului de gândire) și de acțiune (de exemplu, generarea unui plan de acțiune) au fost studiate în primul rând ca subiecte separate. [Aici, vom] explora utilizarea LLM-urilor pentru a genera atât urme de raționament, cât și acțiuni specifice sarcinii într-un mod interleaved ... "

Abilitățile de raționament (de exemplu, stimularea lanțului de gândire) și de acțiune (de exemplu, generarea unui plan de acțiune) au fost studiate în primul rând ca subiecte separate. [Aici, vom] explora utilizarea LLM-urilor pentru a genera atât urme de raționament, cât și acțiuni specifice sarcinii într-un mod interleaved ... "

Cu alte cuvinte: + = 💥.

La acea vreme, LLM-urile erau în cea mai mare parte asistentele creierului – generând text, răspunzând la întrebări, scriind cod.SchimbareaPână la sfârșitul anului 2022 (yaep, chiar când ChatGPT a fost lansat pe 30 noiembrie), dezvoltatorii au început să conecteze LLM-urile în fluxuri de lucru software reale.

Rapid forward to today: bun venit înVârsta agenților– sisteme autonome care raportează, iau măsuri, se auto-corectează și fac lucruri.

În această nouăEra „agentului”, modelul ReAct – odată doar o idee academică curată – este acum unul dintre cele maiCele mai comune arhitecturiChiar și IBM menționează ReAct ca un bloc de bază pentru fluxurile de lucru ale agenților RAG:

Bine, așa că ReAct vine din trecut ... dar modelează viitorul.

Acum săriți în DeLorean (88 MPH, baby! ⚡) - ne îndreptăm înapoi în viitor pentru a vedea cum funcționează acest model în practică și cum să-l implementăm.

React aplicat la fluxurile de lucru moderne agentic AI

Gândiți-vă la reacție ca laMacGyver din AI

În loc să scuipați un răspuns ca LLM-ul dvs. tipic, sistemele ReActGândeşte,actuluiŞi apoiGândește din nouNu este magie – este atunci când raționamentul în lanț se întâlnește cu acțiunea din lumea reală.

În special, un agent ReAct se bazează pe oThink 🤔 → Act 🛠️ → Observe 🔍 → Repeat 🔁cu loop:

1. Reasoning (Gândiți-vă 🤔): Începeți cu o invitație cum ar fi „Planificați o excursie de weekend la NYC.” Agentul generează gânduri: „Am nevoie de zboruri, un hotel și o listă de atracții.”
2. Selecția acțiunii (Act ️): Pe baza raționamentului său, agentul alege un instrument (de exemplu, prin intermediul unei integrări MCP) - de exemplu, un API pentru căutarea zborurilor - și îl execută.
3. Observație (Observație ): Instrumentul returnează date (de exemplu, opțiuni de zbor). Acest lucru este alimentat înapoi la agent, care îl încorporează în următorul pas de raționament.

Loop (Repeat 🔁)Agentul folosește gânduri noi pentru a selecta un alt instrument (de exemplu, căutarea hotelului), obține mai multe date, își actualizează raționamentul - toate într-o buclă de nivel superior.

You can picture that thinking of a “while not done” loop. At each iteration, the agent:

• Creează un nou pas de raționament.
• Selectează cel mai bun instrument pentru sarcină.
• Execută acțiunea .
• Parsează rezultatul
• Verifică dacă obiectivul este atins.

Acest ciclu continuă până când se atinge un răspuns final sau o stare țintă.

Cum să implementați ReAct

Deci, doriți să puneți ReAct în acțiune cu agenții din lumea reală?

Spectacolul începe cu oOrchestrator Agent(înCrewAI sau un cadru similarAcest agent de nivel superior, alimentat de LLM de alegere, delegă cererea inițială la un dedicatAgentul rațional.

peReasoning AgentÎn loc să se grăbească,rupe în josInstrucțiunea inițială intră într-o listă precisă de pași acționabili sau sub-tasks.

Aceste sarcini sunt încredinţate unuiActing AgentAcesta este locul în care cauciucul întâlnește drumul!Acest agent este instrumentul dvs., integrat direct cu un server MCP (pentru a accesa date externe sau instrumente cum ar fi scraperele web sau bazele de date) sau pentru a comunica cuAlți agenți specializați prin intermediul protocoalelor A2AEste îndeplinită cu adevăratPerformanţăacţiunile necesare.

Rezultatele acestor acţiuni nu sunt ignorate. ele sunt hrănite cu unObserving AgentAcest agent examinează rezultatul, hotărând dacă sarcina este completă și satisfăcătoare sau dacă sunt necesare mai multe etape.

Această continuăReasoning -> Acting -> ObservingCiclul se desfăşoară până laAgentul de observaredeclară rezultatul „pregătit”, trimiţând rezultatul final înapoi laAgentul de orchestrăcare îl va trimite apoi cercetătorului.

După cum puteți vedea, cel mai simplu mod de a aduce ReAct la viață este cu o setare cu mai mulți agenți!poatescoateți-l cu un singur, simplu, mini agent, de asemenea. Doar verificați exemplul din videoclipul de mai jos:

ReAct vs. fluxurile de lucru „normale” ale AI

Core Process

Generare directă; Single Inference Pass

Ciclul iterativ „Rezonarea + Acțiunea”; gândirea și executarea pas cu pas

External interaction

Poate fi limitat la nici o utilizare externă a instrumentelor

Folosește activ instrumentele

Adaptability

Mai puțin adaptabil; se bazează pe date de formare.

Foarte adaptabil; perfecționează strategia bazată pe feedback-ul în timp real.

Problem solving

Cel mai bun pentru sarcini simple, cu o singură întorsătură.

Excelează în problemele complexe, în mai multe etape, care necesită informații externe și soluții dinamice

Feedback Loop

În general, nu există feedback explicit pentru auto-corecție

Lumina de feedback explicită în timp real pentru a rafinat raționamentul și a ajusta acțiunile

Transparency

Adesea o cutie neagră; greu de urmărit logica.

Vizibilitate ridicată; acțiuni explicite în lanț de gândire și secvențiale arată raționamentul și rezultatul la fiecare pas

Use case fit

Simplu Q&A, generarea de conținut

Sarcini complexe: planificarea călătoriei, cercetare, fluxuri de lucru cu mai multe instrumente

Implementation

Simplu; necesită integrări AI chat

Complex; necesită logica buclei, integrarea instrumentelor și poate implica o arhitectură cu mai mulți agenți

Pro și contra

👍 Super accurate and adaptableGândește, acționează, învață și corectează cursul în zbor.👍 Handles gnarly problemsExcelă în sarcinile complexe, în mai multe etape care necesită informații externe👍 External tool powerIntegrare cu instrumente utile și surse de date externe.👍 Transparent and debuggableVedeți fiecare gând și acțiune, făcând debugging-ul o furtună.

👎 Increased complexityMai multe piese în mișcare înseamnă mai mult de proiectat și gestionat.👎 Higher latency and callsCurbele iterative, apelurile externe și orchestrarea peste cap pot face ca taxele generale să fie mai mari și răspunsurile să fie mai lente (acesta este costul de a plăti pentru mai multă putere și precizie).

Ce aveți nevoie pentru a stăpâni React

Să fim reali – fără instrumentele potrivite, un agent ReAct nu este mult mai puternic decât orice alt flux de lucru AI de tip run-of-the-mill.

At Bright Data, we’ve seen the pain of connecting AI agents to meaningful tools. So, we’ve built an entire infrastructure to fix that. No matter how you design your agents, we’ve got them covered:

• Pachete de date: seturi de date curate, în timp real, gata de AI, perfecte pentru fluxurile de lucru RAG.
• Serverele MCP: servere gata de AI încărcate cu instrumente pentru analizarea datelor, controlul browserului, conversia formatului și multe altele. ️
• API-uri SERP: Căutați API-uri pe care LLM-urile dvs. le pot utiliza pentru rezultate web proaspete și exacte - construite pentru conducte RAG.
• Browsere de agenți: browsere controlate de AI care pot șterge web-ul, pot evita interdicțiile IP, pot rezolva CAPTCHAs și pot continua. ️

...Și acest set de instrumente se extinde în mod constant.

➡️Take a look at what Bright Data’s AI & BI infrastructure can unlock for your next-gen agents.

[Extra] The ReAct Cheat Sheet

Există o mulțime de buzz (și confuzie) în jurul termenului "ReAct" - mai ales că mai multe echipe îl folosesc în contexte diferite.

Deci, aici este un glosar non-fluff pentru a vă ajuta să păstrați totul drept:

• Un agent gândește mai întâi (ca un raționament în lanț), apoi acționează (ca o căutare pe web) și, în cele din urmă, oferă un răspuns rafinat.
• "ReAct prompting": O tehnică de prompt-engineering care împinge LLM-urile să-și arate procesul de raționament pas cu pas și să ia măsuri în mijlocul gândirii.
• „ReAct agentic pattern”: Doar un alt nume pentru a spune „ReAct design pattern”.
• „Agent ReAct”: orice agent AI care urmează ciclul ReAct. Acesta raportează despre sarcină, efectuează acțiuni bazate pe acest raționament (cum ar fi apelarea unui instrument) și returnează răspunsul.
• „Framework-ul agentului ReAct”: Arhitectura (sau biblioteca) pe care ar trebui să o utilizați pentru a construi agenți în stilul ReAct. Vă ajută să implementați întreaga logică „reason-act-answer” în sistemele dvs. personalizate AI.

Gânduri finale

Acum aveți cunoștința despre ceea ce înseamnă ReAct în domeniul AI – mai ales când vine vorba de agenții AI. Ați văzut de unde a venit acest model de proiectare, ce aduce la masă și cum să-l implementați efectiv pentru a vă alimenta fluxurile de lucru ale agenților.

După cum am explorat, aducerea acestor fluxuri de lucru de generație următoare la viață devine mai ușoară atunci când aveți infrastructura și lanțul de instrumente AI potrivite pentru a vă susține agenții.

La Bright Data, misiunea noastră este simplă: să facem AI mai ușor de utilizat, mai puternic și mai accesibil pentru toată lumea, oriunde. Până data viitoare, rămâneți curioși, rămâneți curajoși și continuați să construiți viitorul AI.