---
title: "Cos’è ReAct? Il pattern ragiona e agisci per agenti AI"
description: "ReAct è un pattern per agenti in cui un LLM alterna ragionamento e azioni con strumenti, leggendo ogni risultato prima del passo dopo. Come funziona oggi il ciclo."
url: https://broadrouter.com/it/glossary/react-agent/
lang: it
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/glossary/react-agent/) (aggiornato il 2026-11-15).

# ReAct (reason and act)

Aggiornato 2026-11-15

ReAct (reason and act) è un pattern di prompting, introdotto da Yao et al. nel 2022, in cui un modello linguistico alterna tracce di ragionamento e azioni come ricerche o chiamate a strumenti. Legge ogni osservazione, aggiorna il suo piano e ripete finché può dare una risposta finale.

Detto anche: agente ReAct, prompting ReAct, pattern ReAct, ragiona e agisci, ReAct agent, ReAct prompting, ReAct pattern, ReAct framework

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:

```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"]
```

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](https://broadrouter.com/it/glossary/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](https://broadrouter.com/it/glossary/hallucination/).
-   **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](https://broadrouter.com/it/blog/agent-token-budget/) 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](https://broadrouter.com/it/glossary/reasoning-tokens/).

## 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](https://broadrouter.com/it/models/glm-5.3/) e [Qwen3.8 27B](https://broadrouter.com/it/models/qwen3.8-27b/). [Il tool calling con i modelli open](https://broadrouter.com/it/blog/tool-calling-open-models/) 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`.

## Domande frequenti

### ReAct è la stessa cosa della chain-of-thought?

No. La chain-of-thought è solo ragionamento. ReAct aggiunge azioni in mezzo, così il modello può cercare informazioni e correggersi in base a ciò che trova, invece di basarsi solo su ciò che sa già.

### Oggi devo ancora scrivere righe Thought e Action nei prompt?

Di solito no. Le API moderne restituiscono chiamate a strumenti strutturate, e i modelli di ragionamento pensano prima di rispondere. L’idea di ReAct, ragionare, poi agire, poi osservare, sopravvive nel ciclo dell’agente della maggior parte dei framework.

### Cosa ha dimostrato l’articolo su ReAct?

Gli autori riportano che su ALFWorld e WebShop ReAct ha superato i metodi di imitation learning e reinforcement learning con un tasso di successo assoluto più alto del 34% e del 10%, con un prompt contenente solo uno o due esempi in contesto.

## Vedi anche

-   [Agente AI (AI agent)](https://broadrouter.com/it/glossary/agent/) (termine)
-   [Chain-of-thought (CoT)](https://broadrouter.com/it/glossary/chain-of-thought/) (termine)
-   [Tool calling (chiamata di strumenti)](https://broadrouter.com/it/glossary/tool-calling/) (termine)
-   [Token di ragionamento (reasoning tokens)](https://broadrouter.com/it/glossary/reasoning-tokens/) (termine)
-   [Few-shot prompting (prompt con esempi)](https://broadrouter.com/it/glossary/few-shot-prompting/) (termine)
-   [Allucinazione (hallucination)](https://broadrouter.com/it/glossary/hallucination/) (termine)
-   [Usare l’OpenAI Agents SDK con BroadNet Inference](https://broadrouter.com/it/guides/openai-agents-sdk-custom-provider/) (guida)
-   [Tool calling con modelli aperti: schemi, chiamate parallele, retry](https://broadrouter.com/it/blog/tool-calling-open-models/) (articolo)
-   [Budget di token di un agente: dove vanno i token di un ciclo](https://broadrouter.com/it/blog/agent-token-budget/) (articolo)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

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

**Fonti**

-   [Yao et al., ReAct: Synergizing Reasoning and Acting in Language Models, arXiv 2210.03629 (versione camera-ready ICLR) (verificato il 2026-11-15)](https://arxiv.org/abs/2210.03629)
-   [Documentazione dell’OpenAI Agents SDK, esecuzione degli agenti (ciclo dell’agente) (verificato il 2026-11-15)](https://openai.github.io/openai-agents-python/running_agents/)
-   [Anthropic Engineering, Effective context engineering for AI agents (verificato il 2026-11-15)](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)
