ReAct è il pattern dietro la maggior parte dei cicli degli agenti: pensa, agisci, guarda il risultato, pensa di nuovo.
Come funziona
L’articolo su ReAct (Yao et al., 2022) chiede a un modello di “generate both reasoning traces and task-specific actions in an interleaved manner.” (traduzione: generare sia tracce di ragionamento sia azioni specifiche per il compito, in modo alternato). L’articolo dice che le tracce di ragionamento “help the model induce, track, and update action plans as well as handle exceptions,” (traduzione: aiutano il modello a ricavare, seguire e aggiornare i piani d’azione e a gestire le eccezioni), mentre le azioni gli permettono di raccogliere fatti da fonti esterne.
Nella forma originale basata su testo, alcuni esempi nel prompt insegnano al modello un formato come questo:
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"]
Il tuo codice interpreta ogni Action, la esegue e aggiunge la Observation prima di richiamare il modello.
Su HotpotQA e Fever, l’articolo riporta che ReAct ha ridotto le allucinazioni e la propagazione degli errori interrogando una semplice API di Wikipedia. Poiché ogni passo è scritto per esteso, le traiettorie erano anche più facili da ispezionare rispetto a quelle dei baseline senza tracce di ragionamento.
Oggi lo stesso ciclo passa di solito dal tool calling strutturato invece che dal testo interpretato. Il runner dell’OpenAI Agents SDK, per esempio, chiama il modello, esegue le chiamate a strumenti che restituisce, aggiunge i risultati e richiama il modello finché arriva una risposta finale.
Perché è importante
- Ancoraggio ai fatti. Agire su dati reali tra un pensiero e l’altro riduce le congetture che portano alle allucinazioni.
- Debugging. Ogni pensiero e ogni osservazione sono visibili, quindi puoi vedere dove un’esecuzione è andata storta.
- Costo in token. Ogni Thought, Action e Observation resta nella cronologia e viene rimandata al turno successivo. Un’esecuzione ReAct da 10 passi invia i primi passi 10 volte. L’articolo sul budget di token di un agente lo analizza nel dettaglio.
- Modelli di ragionamento. I modelli che ragionano prima di rispondere fanno internamente parte del lavoro di “Thought”, come token di ragionamento.
Su BroadNet Inference
Puoi eseguire un ciclo ReAct con qualsiasi modello di chat di BroadNet, con un formato testuale ed esempi few-shot oppure con strumenti strutturati. La documentazione di BroadNet indica il tool calling per GLM 5.3 e Qwen3.8 27B. Il tool calling con i modelli open mostra la forma delle richieste.
DeepSeek V4.1 Flash, GLM 5.3 e Qwen3.8 27B ragionano prima di rispondere, e il ragionamento conta in max_tokens. Lascia spazio per questo a ogni passo, oppure imposta reasoning_effort a low.