---
title: "Was ist ReAct? Das Agentenmuster Reason and Act erklärt"
description: "ReAct ist ein Agentenmuster, bei dem ein LLM Denkschritte mit Tool-Aktionen abwechselt und jedes Ergebnis liest, bevor es weitermacht. Wie die Schleife heute läuft."
url: https://broadrouter.com/de/glossary/react-agent/
lang: de
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Mit KI-Unterstützung aus dem Englischen übersetzt. [Englisches Original lesen](https://broadrouter.com/glossary/react-agent/) (aktualisiert am 2026-11-15).

# ReAct (Reason and Act)

Aktualisiert 2026-11-15

ReAct (Reason and Act) ist ein Prompting-Muster, 2022 von Yao et al. vorgestellt, bei dem ein Sprachmodell Denkschritte mit Aktionen wie Suchen oder Tool Calls verschränkt. Es liest jede Beobachtung, passt seinen Plan an und wiederholt das, bis es eine endgültige Antwort geben kann.

Auch genannt: ReAct-Agent, ReAct-Prompting, ReAct-Muster, ReAct-Framework, Reason and Act, ReAct agent, ReAct prompting, ReAct pattern, ReAct framework

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:

```text
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](https://broadrouter.com/de/glossary/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](https://broadrouter.com/de/glossary/hallucination/) 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](https://broadrouter.com/de/blog/agent-token-budget/) schlüsselt das auf.
-   **Reasoning-Modelle.** Modelle, die vor der Antwort nachdenken, erledigen einen Teil der „Thought“-Arbeit intern, als [Reasoning-Tokens](https://broadrouter.com/de/glossary/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](https://broadrouter.com/de/models/glm-5.3/) und [Qwen3.8 27B](https://broadrouter.com/de/models/qwen3.8-27b/). [Tool Calling mit offenen Modellen](https://broadrouter.com/de/blog/tool-calling-open-models/) 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`.

## Häufige Fragen

### Ist ReAct dasselbe wie Chain-of-Thought?

Nein. Chain-of-Thought ist reines Denken. ReAct fügt dazwischen Aktionen ein, sodass das Modell Dinge nachschlagen und sich anhand der Funde korrigieren kann, statt sich nur auf sein vorhandenes Wissen zu verlassen.

### Schreibe ich heute noch Thought- und Action-Zeilen in Prompts?

Meist nicht. Moderne APIs liefern strukturierte Tool Calls, und Reasoning-Modelle denken vor der Antwort. Die Idee von ReAct, erst denken, dann handeln, dann beobachten, lebt in der Agent-Schleife der meisten Frameworks weiter.

### Was hat das ReAct-Paper gezeigt?

Die Autoren berichten, dass ReAct auf ALFWorld und WebShop Methoden des Imitation Learning und Reinforcement Learning um absolut 34 % bzw. 10 % Erfolgsquote übertraf, mit nur ein oder zwei Beispielen im Prompt.

## Siehe auch

-   [KI-Agent (AI Agent)](https://broadrouter.com/de/glossary/agent/) (Begriff)
-   [Chain-of-Thought (CoT)](https://broadrouter.com/de/glossary/chain-of-thought/) (Begriff)
-   [Tool Calling (Function Calling)](https://broadrouter.com/de/glossary/tool-calling/) (Begriff)
-   [Reasoning-Tokens](https://broadrouter.com/de/glossary/reasoning-tokens/) (Begriff)
-   [Few-Shot-Prompting](https://broadrouter.com/de/glossary/few-shot-prompting/) (Begriff)
-   [Halluzination (KI)](https://broadrouter.com/de/glossary/hallucination/) (Begriff)
-   [OpenAI Agents SDK mit BroadNet Inference betreiben](https://broadrouter.com/de/guides/openai-agents-sdk-custom-provider/) (Anleitung)
-   [Tool Calling mit offenen Modellen: Schemas, parallele Aufrufe, Retries](https://broadrouter.com/de/blog/tool-calling-open-models/) (Artikel)
-   [Agenten-Token-Budget: wohin die Tokens einer Agenten-Schleife gehen](https://broadrouter.com/de/blog/agent-token-budget/) (Artikel)

Testen Sie es mit Ihrem echten Workload. Neue Konten starten mit USD 5 Guthaben für Gemma und Transkription. DeepSeek, GLM und Qwen3.8 erfordern eine Aufladung.

[Loslegen](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-glossary-react-agent&utm_content=page-cta) ·

**Quellen**

-   [Yao et al., ReAct: Synergizing Reasoning and Acting in Language Models, arXiv 2210.03629 (ICLR-Camera-ready) (geprüft am 2026-11-15)](https://arxiv.org/abs/2210.03629)
-   [Dokumentation des OpenAI Agents SDK, Agenten ausführen (Agent-Loop) (geprüft am 2026-11-15)](https://openai.github.io/openai-agents-python/running_agents/)
-   [Anthropic Engineering, Effective context engineering for AI agents (geprüft am 2026-11-15)](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)
