Ще один тиждень, інша тенденція AI освітлює часову лінію. Цього разу, це ReAct (nope, а не JavaScript, який ви вже знаєте і любите).Розум + ДіяМодель, яка робить серйозний шум у світі агентів AI.
Спочатку представлений в 2022 році (що практично стародавнє в роки штучного інтелекту), шаблон ReAct раптово повсюдно - і з хорошої причини ... Слідкуйте за тим, як ми розпакуємо, що це таке, як це працює, і як реалізувати його у вашому власному агентичному робочому потоці.
Чи не боїшся ти цього? – Настав час повернутися додому!
Що таке ReAct Design Pattern?
Ви можете думати, “Ugh... інша стаття React в 2025 році? Чи не говорили ми про це як... десятиліття? це React... але для AI зараз?«Або можливо»Звичайно, я знаю реакції дизайнерських шаблонів!”
✋ Hold up! ✋ We're talking about a different kind of ReAct here!
У світі людей,Реакція- який походить від "Розум" + "Діяти" - це шаблон дизайну, де LLM поєднують міркування та дії, щоб ефективніше вирішувати складні завдання або виробляти більш пристосовані та точні результати.
Давайте розбиваємо це з смачною аналогією!
Якщо ви просто скажете «робити бутерброд», основна система AI може попросити LLM про інструкції і повернути статичний рецепт.
Але аReAct-powered agentПовністю інша гра! - Спочатку цеreasons«Чакай – який бутерброд? чи є у мене інгредієнти? де хліб?»acts: відкриває холодильник, захоплює те, що йому потрібно, шматочки, стеки, і voilà — BLT повний!
Реакція – це не просто відповідьМи думаємо, плануємотаВиконуєКрок за кроком.
Ця модель була вперше введена в статтю 2022 року».ReAct: Синергізуючи міркування та дії в мовних моделяхІ він вибухне в 2025 році як хребет сучасного агентського AI і агентів, заснованих на агентському RAG.
ReAct: Синергізуючи міркування та дії в мовних моделяхТепер, як це можливо, і як цей шаблон дизайну дійсно працює?
ReAct Origins: How a 2022 Paper Sparked an AI Workflow Revolution
Наприкінці 2022 року, колиReAct: Синергізуючи міркування та дії в мовних моделяхКнига побудована на цій ідеї:
"Здатності LLM для міркувань (наприклад, ланцюжок мислення) і дії (наприклад, створення плану дій) в першу чергу вивчені як окремі теми. [Тут, ми] досліджуємо використання LLM для створення як міркувальних слідів, так і конкретних дій у взаємопов'язаному способі..."
"Здатності LLM для міркувань (наприклад, ланцюжок мислення) і дії (наприклад, створення плану дій) в першу чергу вивчені як окремі теми. [Тут, ми] досліджуємо використання LLM для створення як міркувальних слідів, так і конкретних дій у взаємопов'язаному способі..."
Іншими словами: + = 💥.
У той час LLM були в основному асистентами мозку - генеруючи текст, відповідаючи на питання, пишучи код.ЗміниДо кінця 2022 року (так, саме тоді, коли ChatGPT був запущений 30 листопада), розробники почали зводити LLM в реальні робочі потоки програмного забезпечення.
Наступна стаття: Вітаємо на сьогодніВік агентів— автономні системи, які обґрунтовують, вживають заходів, самокоригують і роблять речі.
У цій новій«Агентська» епоха, модель ReAct - колись просто чиста академічна ідея - тепер є однією зНайбільш поширені архітектуриНавіть IBM згадує ReAct як основний будівельний блок для агентських робочих процесів RAG:
Добре, так що ReAct приходить з минулого... але він формує майбутнє.
Now hop in the DeLorean (88 MPH, baby! ⚡)—we’re heading back to the future to see how this pattern works in practice, and how to implement it.
Реакція, застосована до сучасних робочих процесів агентичного AI
Подумайте про реакцію як проMacGyver з AI
Замість того, щоб просто випивати відповідь, як ваш типовий LLM, системи ReActПодумайте,АктІ тодіПодумайте зновуЦе не магія - це коли ланцюгові міркування зустрічаються з дією в реальному світі.
Зокрема, агент ReAct заснований наThink 🤔 → Act 🛠️ → Observe 🔍 → Repeat 🔁Пробіг :
- Роздуми (Думай 🤔): Почніть з прохання, як «Плануйте вихідну поїздку в Нью-Йорк».
- Вибір дій (Акт ️): На основі свого міркування агент вибирає інструмент (наприклад, через інтеграцію MCP) - скажімо, API для пошуку польотів - і виконує його.
- Спостереження (спостереження ): інструмент повертає дані (наприклад, варіанти польоту).
Loop (Repeat 🔁)Агент використовує нові думки, щоб вибрати інший інструмент (наприклад, пошук готелю), отримує більше даних, оновлює своє міркування - все це всередині ланцюга верхнього рівня.
Ви можете уявити, що мислення про «поки не зроблено» ланцюг. На кожній ітерації агент:
- Виникає новий етап роздумів.
- Вибирає найкращий інструмент для виконання завдання.
- Виконуйте цю акцію.
- Розглянемо результат
- Перевірте, чи досягнута мета
Цей цикл продовжується, поки не буде досягнута остаточна відповідь або стан мети.
Як реагувати на реагування
Отже, ви хочете ввести ReAct в дію з реальними агентами?
Вистава розпочинається зOrchestrator Agent(відCrewAI або аналогічна рамкаЦей агент верхнього рівня, підпорядкований вашим LLM вибору, делегує початковий запит на присвяченийРозумний агент.
ТІReasoning AgentЗамість того щоб поспішати,Руйнується внизоригінальний заклик до точного списку дієвих кроків або підзадач. Це мозок, ретельно плануючи стратегію.
Після цього завдання передаються наActing AgentЦей агент - це ваш інструментарій, інтегрований безпосередньо з сервером MCP (для доступу до зовнішніх даних або інструментів, таких як веб-скребри або бази даних) або спілкування зІнші спеціалізовані агенти через протоколи A2AНасправді це завдання, якеВиконаннянеобхідних заходів .
Результати цих дій не ігноруються, вони харчуютьсяObserving AgentЦей агент ретельно перевіряє результат, вирішуючи, чи є завдання завершеним і задовільним, або якщо потрібні додаткові кроки.
Цей постійнийReasoning -> Acting -> ObservingЦикл триває доСпостереження агентаоголошує результат «готовим», відправляючи цей остаточний результат назад доАгент оркеструПісля цього він передає його слідчому.
Як бачите, найпростіший спосіб принести ReAct до життя - це налаштування з кількома агентами!Можнавитягти його з одним, простим, міні-агентом теж. Просто подивіться на приклад у відео нижче:
ReAct vs «регулярні» робочі процеси AI
|
Aspect |
"Regular" AI Workflow |
ReAct-Powered AI Workflow |
|---|---|---|
|
Core Process |
Direct generation; single inference pass |
Iterative "Reasoning + Acting" loop; step-by-step thinking and execution |
|
External interaction |
May be limited to no external tool use |
Actively leverages tools |
|
Adaptability |
Less adaptable; relies on training data. |
Highly adaptable; refines strategy based on real-time feedback. |
|
Problem solving |
Best for straightforward, single-turn tasks. |
Excels at complex, multi-step problems requiring external info and dynamic solutions |
|
Feedback Loop |
Generally no explicit feedback for self-correction |
Explicit real-time feedback loop to refine reasoning and adjust actions |
|
Transparency |
Often a black box; hard to trace logic. |
High visibility; explicit Chain-of-Thought and sequential actions show reasoning and output at each step |
|
Use case fit |
Simple Q&A, content generation |
Complex tasks: trip planning, research, multi-tool workflows |
|
Implementation |
Simple; requires AI chat integrations |
Complex; requires loop logic, tool integration, and might involve a multi-agent architecture |
Core Process
Пряме генерування; Single Inference Pass
Ітеративний ланцюг «Разумування + Діяння»; крок за кроком мислення та виконання
External interaction
Можуть бути обмежені без використання зовнішніх інструментів.
Активне використання інструментів
Adaptability
Менш адаптивний; залежить від даних навчання.
Високо адаптивний; вдосконалює стратегію на основі зворотного зв'язку в реальному часі.
Problem solving
Найкраще для простих, одноразових завдань.
Відмінно справляється зі складними, багатоступеневими проблемами, що вимагають зовнішньої інформації та динамічних рішень
Feedback Loop
Як правило, немає явної відгуки про самовиправлення
Виразний ланцюг зворотного зв'язку в реальному часі для уточнення міркувань та коригування дій
Transparency
Часто чорний ящик; важко простежити логіку.
Висока видимість; чіткі ланцюжки мислення та послідовні дії показують міркування та результати на кожному кроці
Use case fit
Прості Q&A, створення контенту
Складні завдання: планування поїздок, дослідження, робочі процеси з кількома інструментами
Implementation
Простота; вимагає інтеграції AI-чат
Складна; вимагає логіки ланцюга, інтеграції інструментів і може включати багатоагентну архітектуру
Про і Конс
👍 Super accurate and adaptableМи думаємо, діємо, вчимося і коректуємо курс на місці.👍 Handles gnarly problems: Відмінно виконує складні, багатоступінкові завдання, що вимагають зовнішньої інформації👍 External tool powerІнтеграція з корисними інструментами та зовнішніми джерелами даних.👍 Transparent and debuggableДивіться кожну думку і дію, роблячи дебютування вітром.
👎 Increased complexityБільше рухомих деталей означає більше для проектування та управління.👎 Higher latency and callsІтеративні петлі, зовнішні виклики та оркестрація над головою можуть зробити загальні збори вищими, а відповіді повільнішими (це вартість оплати за більшу потужність та точність).
Що потрібно для магістра ReAct
Давайте будемо реальними – без правильних інструментів агент ReAct не набагато потужніший за будь-який інший робочий процес AI. Інструменти – це те, що перетворює міркування в дію.
У Bright Data ми бачили біль підключення агентів AI до значущих інструментів. Отже, ми побудували цілу інфраструктуру, щоб виправити це.
- Пакети даних: кураторські набори даних в режимі реального часу, готові до роботи з штучним інтелектом, ідеальні для робочих процесів RAG.
- MCP-сервери: сервери, готові до штучного інтелекту, завантажені інструментами для аналізу даних, управління браузером, конвертації форматів та іншим. ️
- SERP API: Пошук API ваші LLM можуть скористатися для свіжих, точних веб-результатів - побудований для RAG трубопроводів.
- Агентські браузери: AI-контрольовані браузери, які можуть скребнути веб, уникнути IP-заборон, вирішити CAPTCHAs і продовжувати працювати. ️
...І цей набір інструментів постійно розширюється.
➡️ Подивіться, яку інфраструктуру AI & BI Bright Data може розблокувати для ваших агентів наступного покоління.
➡️ Подивіться, яку інфраструктуру AI & BI Bright Data може розблокувати для ваших агентів наступного покоління.
Інфраструктура AI & BI Bright Data[Extra] Реакція Cheat Sheet
Є багато шуму (і плутанини) навколо терміна "ReAct" - особливо тому, що кілька команд використовують його в різних контекстах.
Отже, ось безглуздий словник, який допоможе вам тримати все прямо:
- «ReAct Design Pattern»: модель штучного інтелекту, яка об'єднує міркування та дії. Агент спочатку думає (як ланцюжовий міркування), потім діє (як веб-пошук) і, нарешті, дає витончену відповідь.
- "ReAct prompting": Техніка промпт-інженерії, яка підштовхує LLM показати свій процес міркування крок за кроком і приймати дії посеред думки. Він призначений для того, щоб зробити відповіді більш точними, прозорими та менш галюцинаційними.
- «ReAct agentic pattern»: Просто інша назва для слова «ReAct design pattern».
- «Агент ReAct»: будь-який агент AI, який слідує за ланцюгом ReAct. Він обговорює завдання, виконує дії на основі цього обґрунтування (наприклад, виклик інструменту) і повертає відповідь.
- «ReAct Agent Framework»: архітектура (або бібліотека), яку ви повинні використовувати для створення агентів у стилі ReAct.
Останні думки
Тепер ви знаєте, що означає ReAct в галузі штучного інтелекту, особливо коли мова йде про агентів штучного інтелекту.Ви бачили, звідки прийшов цей шаблон дизайну, що він приносить на стіл, і як насправді реалізувати його, щоб підсилити ваші робочі потоки агентів.
Як ми досліджували, приведення цих робочих процесів наступного покоління до життя стає простішим, коли у вас є правильна інфраструктура AI та ланцюжок інструментів для підтримки ваших агентів.
У Bright Data наша місія проста: зробити AI більш придатним для використання, більш потужним і доступним для всіх, скрізь. до наступного разу – залишайтеся цікавими, залишайтеся сміливими і продовжуйте будувати майбутнє AI.
