BroadRouter
Commencer

ReAct (reason and act)

Mis à jour

ReAct (reason and act) est un schéma de prompting, présenté par Yao et al. en 2022, dans lequel un modèle de langage entrelace des traces de raisonnement et des actions, comme une recherche ou un appel d’outil. Il lit chaque observation, met à jour son plan et recommence jusqu’à pouvoir donner une réponse finale.

Aussi appelé : agent ReAct, prompting ReAct, schéma ReAct, framework ReAct, raisonner et agir, ReAct agent, ReAct prompting, ReAct pattern, ReAct framework

ReAct est le schéma derrière la plupart des boucles d’agents : réfléchir, agir, regarder le résultat, réfléchir à nouveau.

Comment ça marche

L’article ReAct (Yao et al., 2022) amène un modèle, par le prompt, à « generate both reasoning traces and task-specific actions in an interleaved manner. » (traduction : « générer à la fois des traces de raisonnement et des actions propres à la tâche, de manière entrelacée. ») Selon l’article, les traces de raisonnement « help the model induce, track, and update action plans as well as handle exceptions » (traduction : « aident le modèle à établir, suivre et mettre à jour des plans d’action ainsi qu’à gérer les exceptions »), tandis que les actions lui permettent de recueillir des faits auprès de sources externes.

Dans la forme textuelle d’origine, quelques exemples dans le prompt apprennent au modèle un format de ce type :

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"]

Votre code analyse chaque Action, l’exécute et ajoute l’Observation avant de rappeler le modèle.

Sur HotpotQA et Fever, l’article indique que ReAct a réduit les hallucinations et la propagation d’erreurs en interrogeant une simple API Wikipédia. Comme chaque étape est écrite, les trajectoires étaient aussi plus faciles à inspecter que celles des baselines sans traces de raisonnement.

Aujourd’hui, la même boucle passe en général par un appel d’outils structuré plutôt que par du texte analysé. Le runner de l’OpenAI Agents SDK, par exemple, appelle le modèle, exécute les appels d’outils qu’il renvoie, ajoute les résultats et rappelle le modèle jusqu’à obtenir une réponse finale.

Pourquoi c’est important

  • Ancrage. Agir sur des données réelles entre deux réflexions réduit les suppositions qui mènent aux hallucinations.
  • Débogage. Chaque réflexion et chaque observation sont visibles : vous voyez où une exécution a dérapé.
  • Coût en tokens. Chaque Thought, Action et Observation reste dans l’historique et est renvoyé au tour suivant. Une exécution ReAct de 10 étapes envoie ses premières étapes 10 fois. L’article sur le budget de tokens des agents détaille ce point.
  • Modèles de raisonnement. Les modèles qui raisonnent avant de répondre font une partie du travail « Thought » en interne, sous forme de tokens de raisonnement.

Sur BroadNet Inference

Vous pouvez faire tourner une boucle ReAct avec n’importe quel modèle de chat BroadNet, soit avec un format texte et des exemples few-shot, soit avec des outils structurés. La documentation de BroadNet indique l’appel d’outils pour GLM 5.3 et Qwen3.8 27B. L’appel d’outils avec les modèles ouverts montre la forme des requêtes.

DeepSeek V4.1 Flash, GLM 5.3 et Qwen3.8 27B raisonnent avant de répondre, et le raisonnement compte dans max_tokens. Prévoyez-lui de la place à chaque étape, ou réglez reasoning_effort sur low.

Questions fréquentes

ReAct, est-ce la même chose que le chain-of-thought ?

Non. Le chain-of-thought ne fait que raisonner. ReAct intercale des actions, si bien que le modèle peut chercher des informations et se corriger d’après ce qu’il trouve, au lieu de s’appuyer uniquement sur ce qu’il sait déjà.

Faut-il encore écrire des lignes Thought et Action dans les prompts ?

En général, non. Les API modernes renvoient des appels d’outils structurés, et les modèles de raisonnement réfléchissent avant de répondre. L’idée de ReAct, raisonner puis agir puis observer, perdure dans la boucle d’agent de la plupart des frameworks.

Qu’a montré l’article sur ReAct ?

Les auteurs indiquent que sur ALFWorld et WebShop, ReAct a battu les méthodes d’apprentissage par imitation et par renforcement de 34 % et 10 % de taux de réussite en valeur absolue, avec seulement un ou deux exemples dans le prompt.

Lire en MarkdownDemander à ChatGPTDemander à ClaudeDemander à Perplexity