ReAct ist das Muster hinter den meisten Agent-Schleifen: denken, handeln, das Ergebnis ansehen, wieder denken.
So funktioniert es
Das ReAct-Paper (Yao et al., 2022) bringt ein Modell per Prompt dazu, „generate both reasoning traces and task-specific actions in an interleaved manner.“ (Übersetzung: „sowohl Denkspuren als auch aufgabenspezifische Aktionen verschränkt zu erzeugen.“) Die Denkspuren, so das Paper, „help the model induce, track, and update action plans as well as handle exceptions“ (Übersetzung: „helfen dem Modell, Handlungspläne abzuleiten, zu verfolgen und anzupassen sowie Ausnahmen zu behandeln“), während Aktionen das Modell Fakten aus externen Quellen sammeln lassen.
In der ursprünglichen textbasierten Form bringen ein paar Beispiele im Prompt dem Modell ein Format wie dieses bei:
Question: Which city hosted the event the author attended in 2019?
Thought: I need to find which event the author attended in 2019.
Action: search["author 2019 event"]
Observation: The author spoke at a conference in Lisbon in 2019.
Thought: The event was in Lisbon. That answers the question.
Action: finish["Lisbon"]
Ihr Code parst jede Action, führt sie aus und hängt die Observation an, bevor er das Modell erneut aufruft.
Auf HotpotQA und Fever berichtet das Paper, dass ReAct Halluzinationen und Fehlerfortpflanzung verringerte, indem es eine einfache Wikipedia-API abfragte. Weil jeder Schritt ausgeschrieben ist, ließen sich die Verläufe auch leichter nachvollziehen als bei Baselines ohne Denkspuren.
Heute läuft dieselbe Schleife meist über strukturiertes Tool Calling statt über geparsten Text. Der Runner des OpenAI Agents SDK zum Beispiel ruft das Modell auf, führt alle zurückgegebenen Tool Calls aus, hängt die Ergebnisse an und ruft das Modell erneut auf, bis eine endgültige Antwort kommt.
Warum es wichtig ist
- Grounding. Zwischen den Gedanken auf echten Daten zu handeln, verringert das Raten, das zu Halluzinationen führt.
- Debugging. Jeder Gedanke und jede Beobachtung ist sichtbar, sodass Sie sehen, wo ein Lauf schiefging.
- Token-Kosten. Jedes Thought, jede Action und jede Observation bleibt in der Historie und wird in der nächsten Runde erneut gesendet. Ein ReAct-Lauf mit 10 Schritten sendet seine frühen Schritte 10-mal. Der Beitrag zum Token-Budget von Agenten schlüsselt das auf.
- Reasoning-Modelle. Modelle, die vor der Antwort nachdenken, erledigen einen Teil der „Thought“-Arbeit intern, als Reasoning-Tokens.
Bei BroadNet Inference
Sie können eine ReAct-Schleife mit jedem Chat-Modell von BroadNet betreiben, entweder mit einem Textformat und Few-Shot-Beispielen oder mit strukturierten Tools. Die Dokumentation von BroadNet listet Tool Calling für GLM 5.3 und Qwen3.8 27B. Tool Calling mit offenen Modellen zeigt die Form der Anfragen.
DeepSeek V4.1 Flash, GLM 5.3 und Qwen3.8 27B denken vor der Antwort nach, und das Reasoning zählt zu max_tokens. Lassen Sie bei jedem Schritt Platz dafür, oder setzen Sie reasoning_effort auf low.