---
title: "Apakah itu ReAct? Corak ejen reason-and-act | BroadRouter"
description: "ReAct ialah corak ejen di mana LLM berselang-seli antara penaakulan dan tindakan alatan, dan membaca setiap hasil sebelum langkah seterusnya. Cara gelungnya kini."
url: https://broadrouter.com/ms/glossary/react-agent/
lang: ms
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan daripada bahasa Inggeris dengan bantuan AI. [Baca versi asal dalam bahasa Inggeris](https://broadrouter.com/glossary/react-agent/) (dikemas kini 2026-11-15).

# ReAct (reason and act)

Dikemas kini 2026-11-15

ReAct (reason and act) ialah corak prompt yang diperkenalkan oleh Yao et al. pada 2022, di mana model bahasa menyelang-seli jejak penaakulan dengan tindakan seperti carian atau panggilan alatan. Ia membaca setiap pemerhatian, mengemas kini rancangannya, dan mengulang sehingga dapat memberi jawapan akhir.

Juga dikenali sebagai: ReAct, ReAct agent, ejen ReAct, ReAct prompting, ReAct pattern, ReAct framework, reason and act

ReAct ialah corak di sebalik kebanyakan gelung ejen: fikir, bertindak, lihat hasilnya, fikir semula.

## Cara ia berfungsi

Kertas ReAct (Yao et al., 2022) menyuruh model untuk “generate both reasoning traces and task-specific actions in an interleaved manner.” (Terjemahan BroadRouter: “menjana kedua-dua jejak penaakulan dan tindakan khusus tugas secara berselang-seli.”) Kertas itu menyatakan jejak penaakulan “help the model induce, track, and update action plans as well as handle exceptions,” (Terjemahan BroadRouter: “membantu model membentuk, menjejak dan mengemas kini rancangan tindakan serta mengendalikan pengecualian,”) manakala tindakan membolehkan model mengumpul fakta daripada sumber luar.

Dalam bentuk asal berasaskan teks, beberapa contoh dalam prompt mengajar model format seperti ini:

```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"]
```

Kod anda menghuraikan setiap `Action`, menjalankannya, dan menambah `Observation` sebelum memanggil model semula.

Pada HotpotQA dan Fever, kertas itu melaporkan bahawa ReAct mengurangkan halusinasi dan perambatan ralat dengan membuat pertanyaan kepada API Wikipedia yang ringkas. Oleh sebab setiap langkah ditulis, trajektorinya juga lebih mudah diperiksa berbanding garis dasar tanpa jejak penaakulan.

Hari ini, gelung yang sama biasanya berjalan melalui [tool calling](https://broadrouter.com/ms/glossary/tool-calling/) berstruktur, bukan teks yang dihuraikan. Runner OpenAI Agents SDK, sebagai contoh, memanggil model, menjalankan sebarang panggilan alatan yang dipulangkannya, menambah hasilnya dan memanggil model semula sehingga jawapan akhir tiba.

## Mengapa ia penting

-   **Penambatan pada sumber.** Bertindak pada data sebenar di antara pemikiran mengurangkan tekaan yang membawa kepada [halusinasi](https://broadrouter.com/ms/glossary/hallucination/).
-   **Penyahpepijatan.** Setiap thought dan observation kelihatan, jadi anda boleh nampak di mana larian tersasar.
-   **Kos token.** Setiap Thought, Action dan Observation kekal dalam sejarah dan dihantar semula pada giliran seterusnya. Larian ReAct 10 langkah menghantar langkah awalnya 10 kali. Artikel [agent token budget](https://broadrouter.com/ms/blog/agent-token-budget/) memperincikannya.
-   **Model penaakulan.** Model yang menaakul sebelum menjawab melakukan sebahagian kerja “Thought” secara dalaman, sebagai [token penaakulan](https://broadrouter.com/ms/glossary/reasoning-tokens/).

## Di BroadNet Inference

Anda boleh menjalankan gelung ReAct pada mana-mana model chat BroadNet, sama ada dengan format teks dan contoh few-shot atau dengan alatan berstruktur. Dokumentasi BroadNet menyenaraikan tool calling untuk [GLM 5.3](https://broadrouter.com/ms/models/glm-5.3/) dan [Qwen3.8 27B](https://broadrouter.com/ms/models/qwen3.8-27b/). [Tool calling with open models](https://broadrouter.com/ms/blog/tool-calling-open-models/) menunjukkan bentuk permintaannya.

DeepSeek V4.1 Flash, GLM 5.3 dan Qwen3.8 27B menaakul sebelum menjawab, dan penaakulan itu dikira dalam `max_tokens`. Tinggalkan ruang untuknya pada setiap langkah, atau tetapkan `reasoning_effort` kepada `low`.

## Soalan lazim

### Adakah ReAct sama dengan chain-of-thought?

Tidak. Chain-of-thought hanyalah penaakulan. ReAct menambah tindakan di antaranya, jadi model boleh mencari maklumat dan membetulkan dirinya berdasarkan apa yang ditemui, dan bukan hanya bergantung pada apa yang sudah diketahuinya.

### Adakah saya masih menulis baris Thought dan Action dalam prompt hari ini?

Biasanya tidak. API moden memulangkan panggilan alatan berstruktur, dan model penaakulan berfikir sebelum menjawab. Idea ReAct, iaitu menaakul, bertindak kemudian memerhati, terus hidup dalam gelung ejen kebanyakan rangka kerja.

### Apakah yang ditunjukkan oleh kertas ReAct?

Penulis melaporkan bahawa pada ALFWorld dan WebShop, ReAct mengatasi kaedah imitation learning dan reinforcement learning dengan kadar kejayaan mutlak 34% dan 10%, dengan hanya satu atau dua contoh dalam konteks dalam prompt.

## Lihat juga

-   [Ejen AI (AI agent)](https://broadrouter.com/ms/glossary/agent/) (istilah)
-   [Chain-of-thought (CoT, rantaian pemikiran)](https://broadrouter.com/ms/glossary/chain-of-thought/) (istilah)
-   [Tool calling (panggilan alatan)](https://broadrouter.com/ms/glossary/tool-calling/) (istilah)
-   [Token penaakulan (reasoning tokens)](https://broadrouter.com/ms/glossary/reasoning-tokens/) (istilah)
-   [Few-shot prompting (prompt dengan beberapa contoh)](https://broadrouter.com/ms/glossary/few-shot-prompting/) (istilah)
-   [Halusinasi AI (AI hallucination)](https://broadrouter.com/ms/glossary/hallucination/) (istilah)
-   [Jalankan OpenAI Agents SDK pada BroadNet Inference](https://broadrouter.com/ms/guides/openai-agents-sdk-custom-provider/) (panduan)
-   [Tool calling pada model terbuka: skema, panggilan selari, cuba semula](https://broadrouter.com/ms/blog/tool-calling-open-models/) (artikel)
-   [Bajet token ejen: ke mana token gelung ejen pergi](https://broadrouter.com/ms/blog/agent-token-budget/) (artikel)

Cuba dengan beban kerja sebenar anda. Akaun baharu bermula dengan kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM dan Qwen3.8 memerlukan tambah nilai.

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

**Sumber**

-   [Yao et al., ReAct: Synergizing Reasoning and Acting in Language Models, arXiv 2210.03629 (ICLR camera-ready) (disemak 2026-11-15)](https://arxiv.org/abs/2210.03629)
-   [Dokumentasi OpenAI Agents SDK, running agents (gelung ejen) (disemak 2026-11-15)](https://openai.github.io/openai-agents-python/running_agents/)
-   [Anthropic Engineering, Effective context engineering for AI agents (disemak 2026-11-15)](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)
