BroadRouter
Começar

ReAct (reason and act)

Atualizado em

ReAct (reason and act) é um padrão de prompting, apresentado por Yao et al. em 2022, em que um modelo de linguagem intercala traços de raciocínio com ações, como buscas ou chamadas de ferramentas. Ele lê cada observação, atualiza o plano e repete até conseguir dar uma resposta final.

Também chamado de: agente ReAct, prompting ReAct, padrão ReAct, raciocinar e agir, ReAct agent, ReAct prompting, ReAct pattern, ReAct framework

O ReAct é o padrão por trás da maioria dos ciclos de agente: pensar, agir, olhar o resultado, pensar de novo.

Como funciona

O artigo do ReAct (Yao et al., 2022) instrui um modelo a “generate both reasoning traces and task-specific actions in an interleaved manner.” (tradução: gerar tanto traços de raciocínio quanto ações específicas da tarefa, de forma intercalada). O artigo diz que os traços de raciocínio “help the model induce, track, and update action plans as well as handle exceptions,” (tradução: ajudam o modelo a induzir, acompanhar e atualizar planos de ação, além de lidar com exceções), enquanto as ações permitem que o modelo reúna fatos de fontes externas.

Na forma original, baseada em texto, alguns exemplos no prompt ensinam ao modelo um formato como este:

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"]

O seu código interpreta cada Action, executa e acrescenta a Observation antes de chamar o modelo de novo.

No HotpotQA e no Fever, o artigo relata que o ReAct reduziu a alucinação e a propagação de erros ao consultar uma API simples da Wikipédia. Como cada passo fica escrito, as trajetórias também eram mais fáceis de inspecionar do que as de baselines sem traços de raciocínio.

Hoje, o mesmo ciclo costuma rodar por tool calling estruturado em vez de texto interpretado. O runner do OpenAI Agents SDK, por exemplo, chama o modelo, executa as chamadas de ferramenta que ele devolve, acrescenta os resultados e chama o modelo de novo até chegar uma resposta final.

Por que importa

  • Ancoragem. Agir sobre dados reais entre um pensamento e outro reduz o chute que leva à alucinação.
  • Depuração. Cada pensamento e cada observação ficam visíveis, então dá para ver onde uma execução deu errado.
  • Custo em tokens. Cada Thought, Action e Observation fica no histórico e é reenviado no turno seguinte. Uma execução ReAct de 10 passos envia os primeiros passos 10 vezes. O post sobre orçamento de tokens de agentes detalha isso.
  • Modelos de raciocínio. Modelos que raciocinam antes de responder fazem parte do trabalho de “Thought” internamente, como tokens de raciocínio.

Na BroadNet Inference

Você pode rodar um ciclo ReAct com qualquer modelo de chat da BroadNet, seja com um formato de texto e exemplos few-shot, seja com ferramentas estruturadas. A documentação da BroadNet lista tool calling para o GLM 5.3 e o Qwen3.8 27B. Tool calling com modelos abertos mostra o formato das requisições.

DeepSeek V4.1 Flash, GLM 5.3 e Qwen3.8 27B raciocinam antes de responder, e o raciocínio conta para max_tokens. Deixe espaço para isso em cada passo, ou defina reasoning_effort como low.

Perguntas frequentes

ReAct é a mesma coisa que chain-of-thought?

Não. Chain-of-thought é só raciocínio. O ReAct acrescenta ações no meio, então o modelo pode buscar informações e se corrigir com base no que encontra, em vez de depender só do que já sabe.

Hoje ainda preciso escrever linhas Thought e Action nos prompts?

Normalmente não. As APIs modernas devolvem chamadas de ferramentas estruturadas, e os modelos de raciocínio pensam antes de responder. A ideia do ReAct, raciocinar, depois agir, depois observar, continua viva no ciclo de agente da maioria dos frameworks.

O que o artigo do ReAct mostrou?

Os autores relatam que, no ALFWorld e no WebShop, o ReAct superou métodos de aprendizado por imitação e por reforço com uma taxa de sucesso absoluta 34% e 10% maior, usando prompts com apenas um ou dois exemplos em contexto.

Ler em MarkdownPerguntar ao ChatGPTPerguntar ao ClaudePerguntar ao Perplexity