Паттерн ReAct

Паттерн ReAct (Reasoning + Acting) — метод управления AI-агентом, при котором модель поочерёдно генерирует явные шаги рассуждения и вызовы инструментов, чередуя «думать» и «делать» до получения итогового ответа.

ReAct (Reasoning + Acting) — архитектурный паттерн для AI-агентов, предложенный Шунью Яо и коллегами из Принстона и Google в 2022 году. Ключевая идея: языковая модель не просто выполняет действия, а явно «проговаривает» промежуточные рассуждения (Thought) перед каждым действием (Action) и анализирует полученное наблюдение (Observation). Цикл Thought → Action → Observation повторяется до получения финального ответа.

На практике ReAct реализуется через структурированные промпты или системные инструкции, предписывающие модели сначала записать мысль («нужно найти актуальный курс валюты»), затем вызвать инструмент, получить результат и вновь рассуждать. Такая структура позволяет динамически корректировать стратегию: если первый поиск не дал ответа, агент формулирует уточнённый запрос. Паттерн совместим с любой LLM, поддерживающей вызов инструментов (tool calling / function calling).

Исходная статья показала, что ReAct снижает частоту «галлюцинаций» по сравнению с чистой цепочкой рассуждений (Chain-of-Thought) на задачах с доступом к внешним источникам данных: агент опирается на реальные наблюдения, а не на собственные предположения. ReAct стал основой большинства современных агентных фреймворков.

К 2026 году паттерн встроен в LangChain, LangGraph, LlamaIndex и OpenAI Agents SDK. Production-агенты используют его модификации: ReAct с долгосрочной памятью, мультиагентный ReAct и гибриды с предварительным планированием. Простота и интерпретируемость делают ReAct удобным базовым строительным блоком для отладки агентных систем.