---
title: "¿Qué es ReAct? El patrón de agentes razonar y actuar"
description: "ReAct es un patrón de agentes en el que un LLM alterna razonamiento y acciones con herramientas, y lee cada resultado antes del siguiente paso. Cómo funciona hoy."
url: https://broadrouter.com/es/glossary/react-agent/
lang: es
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/glossary/react-agent/) (actualizado el 2026-11-15).

# ReAct (razonar y actuar)

Actualizado 2026-11-15

ReAct (reason and act, razonar y actuar) es un patrón de prompting, presentado por Yao et al. en 2022, en el que un modelo de lenguaje intercala trazas de razonamiento con acciones como búsquedas o llamadas a herramientas. Lee cada observación, actualiza su plan y repite hasta poder dar una respuesta final.

También llamado: agente ReAct, patrón ReAct, prompting ReAct, razonar y actuar, ReAct agent, ReAct prompting, ReAct pattern, ReAct framework, reason and act

ReAct es el patrón que hay detrás de la mayoría de los bucles de agentes: pensar, actuar, mirar el resultado y volver a pensar.

## Cómo funciona

El artículo de ReAct (Yao et al., 2022) pide al modelo que “generate both reasoning traces and task-specific actions in an interleaved manner.” (traducción: genere tanto trazas de razonamiento como acciones específicas de la tarea de forma intercalada.) El artículo dice que las trazas de razonamiento “help the model induce, track, and update action plans as well as handle exceptions,” (traducción: ayudan al modelo a inducir, seguir y actualizar planes de acción, así como a manejar excepciones), mientras que las acciones le permiten reunir datos de fuentes externas.

En la forma original basada en texto, unos pocos ejemplos en el prompt enseñan al modelo un formato como este:

```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"]
```

Su código analiza cada `Action`, la ejecuta y añade la `Observation` antes de volver a llamar al modelo.

En HotpotQA y Fever, el artículo reporta que ReAct redujo la alucinación y la propagación de errores al consultar una API sencilla de Wikipedia. Como cada paso queda escrito, las trayectorias también eran más fáciles de inspeccionar que las de los modelos de referencia sin trazas de razonamiento.

Hoy, el mismo bucle suele ejecutarse con [llamadas a herramientas](https://broadrouter.com/es/glossary/tool-calling/) estructuradas en lugar de texto analizado. El runner del OpenAI Agents SDK, por ejemplo, llama al modelo, ejecuta las llamadas a herramientas que devuelve, añade los resultados y vuelve a llamar al modelo hasta que llega una respuesta final.

## Por qué importa

-   **Grounding.** Actuar sobre datos reales entre pensamientos reduce las conjeturas que llevan a la [alucinación](https://broadrouter.com/es/glossary/hallucination/).
-   **Depuración.** Cada pensamiento y observación es visible, así que puede ver dónde se torció una ejecución.
-   **Coste en tokens.** Cada Thought, Action y Observation se queda en el historial y se reenvía en el siguiente turno. Una ejecución ReAct de 10 pasos envía sus primeros pasos 10 veces. El artículo sobre el [presupuesto de tokens de un agente](https://broadrouter.com/es/blog/agent-token-budget/) lo desglosa.
-   **Modelos de razonamiento.** Los modelos que razonan antes de responder hacen parte del trabajo de “Thought” internamente, como [tokens de razonamiento](https://broadrouter.com/es/glossary/reasoning-tokens/).

## En BroadNet Inference

Puede ejecutar un bucle ReAct con cualquier modelo de chat de BroadNet, ya sea con un formato de texto y ejemplos few-shot o con herramientas estructuradas. La documentación de BroadNet indica llamadas a herramientas para [GLM 5.3](https://broadrouter.com/es/models/glm-5.3/) y [Qwen3.8 27B](https://broadrouter.com/es/models/qwen3.8-27b/). [Llamadas a herramientas con modelos abiertos](https://broadrouter.com/es/blog/tool-calling-open-models/) muestra la forma de las solicitudes.

DeepSeek V4.1 Flash, GLM 5.3 y Qwen3.8 27B razonan antes de responder, y el razonamiento cuenta para `max_tokens`. Deje margen para ello en cada paso, o ponga `reasoning_effort` en `low`.

## Preguntas frecuentes

### ¿ReAct es lo mismo que la cadena de pensamiento?

No. La cadena de pensamiento es solo razonamiento. ReAct añade acciones intercaladas, de modo que el modelo puede consultar información y corregirse según lo que encuentra, en lugar de depender solo de lo que ya sabe.

### ¿Hoy todavía se escriben líneas Thought y Action en los prompts?

Normalmente no. Las APIs modernas devuelven llamadas a herramientas estructuradas, y los modelos de razonamiento piensan antes de responder. La idea de ReAct, razonar, actuar y observar, sigue viva en el bucle del agente de la mayoría de los frameworks.

### ¿Qué demostró el artículo de ReAct?

Los autores reportan que en ALFWorld y WebShop, ReAct superó a los métodos de aprendizaje por imitación y por refuerzo por un margen absoluto en la tasa de éxito del 34 % y el 10 %, respectivamente, con solo uno o dos ejemplos en el prompt.

## Vea también

-   [Agente de IA (AI agent)](https://broadrouter.com/es/glossary/agent/) (término)
-   [Cadena de pensamiento (chain-of-thought, CoT)](https://broadrouter.com/es/glossary/chain-of-thought/) (término)
-   [Llamadas a herramientas (tool calling)](https://broadrouter.com/es/glossary/tool-calling/) (término)
-   [Tokens de razonamiento (reasoning tokens)](https://broadrouter.com/es/glossary/reasoning-tokens/) (término)
-   [Few-shot prompting (prompting con pocos ejemplos)](https://broadrouter.com/es/glossary/few-shot-prompting/) (término)
-   [Alucinación (hallucination)](https://broadrouter.com/es/glossary/hallucination/) (término)
-   [OpenAI Agents SDK con BroadNet Inference](https://broadrouter.com/es/guides/openai-agents-sdk-custom-provider/) (guía)
-   [Tool calling con modelos abiertos: esquemas, paralelismo, reintentos](https://broadrouter.com/es/blog/tool-calling-open-models/) (artículo)
-   [Presupuesto de tokens de un agente: adónde van los tokens del bucle](https://broadrouter.com/es/blog/agent-token-budget/) (artículo)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

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

**Fuentes**

-   [Yao et al., ReAct: Synergizing Reasoning and Acting in Language Models, arXiv 2210.03629 (versión final para ICLR) (consultado el 2026-11-15)](https://arxiv.org/abs/2210.03629)
-   [Documentación del OpenAI Agents SDK, ejecución de agentes (bucle del agente) (consultado el 2026-11-15)](https://openai.github.io/openai-agents-python/running_agents/)
-   [Anthropic Engineering, Effective context engineering for AI agents (consultado el 2026-11-15)](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)
