BroadRouter
Başlayın

ReAct (reason and act, akıl yürüt ve eyleme geç)

Güncellendi

ReAct (reason and act), Yao ve arkadaşlarının 2022'de tanıttığı ve bir dil modelinin akıl yürütme izlerini arama veya araç çağrısı gibi eylemlerle iç içe yürüttüğü bir istem düzenidir. Model her gözlemi okur, planını günceller ve nihai bir yanıt verebilene kadar bunu tekrarlar.

Diğer adları: ReAct, ReAct ajanı, ReAct istemi, ReAct düzeni, ReAct agent, ReAct prompting, ReAct pattern, ReAct framework

ReAct, çoğu ajan döngüsünün arkasındaki düzendir: düşün, eyleme geç, sonuca bak, yeniden düşün.

Nasıl çalışır

ReAct makalesi (Yao ve ark., 2022), bir modeli “generate both reasoning traces and task-specific actions in an interleaved manner.” (çeviri: hem akıl yürütme izlerini hem de göreve özgü eylemleri iç içe geçmiş biçimde üretmeye) yönlendirir. Makaleye göre akıl yürütme izleri “help the model induce, track, and update action plans as well as handle exceptions,” (çeviri: modelin eylem planları çıkarmasına, bunları izlemesine ve güncellemesine ve istisnaları ele almasına yardımcı olur), eylemler ise modelin dış kaynaklardan bilgi toplamasını sağlar.

Özgün metin tabanlı biçimde, istemdeki birkaç örnek modele şuna benzer bir format öğretir:

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"]

Kodunuz her Action satırını ayrıştırır, çalıştırır ve modeli yeniden çağırmadan önce Observation satırını ekler.

Makale, HotpotQA ve Fever’da ReAct’in basit bir Wikipedia API’sini sorgulayarak halüsinasyonu ve hata yayılımını azalttığını bildiriyor. Her adım yazılı olduğu için izlenen yollar, akıl yürütme izi olmayan temel yöntemlerinkinden daha kolay incelenebiliyordu.

Bugün aynı döngü genellikle ayrıştırılan metin yerine yapılandırılmış araç çağırma üzerinden çalışır. Örneğin OpenAI Agents SDK’nın runner’ı modeli çağırır, döndürdüğü araç çağrılarını çalıştırır, sonuçları ekler ve nihai bir yanıt gelene kadar modeli yeniden çağırır.

Neden önemli

  • Temellendirme. Düşünceler arasında gerçek veriler üzerinde eyleme geçmek, halüsinasyona yol açan tahminleri azaltır.
  • Hata ayıklama. Her düşünce ve gözlem görünürdür; böylece bir çalışmanın nerede ters gittiğini görebilirsiniz.
  • Token maliyeti. Her Thought, Action ve Observation geçmişte kalır ve bir sonraki turda yeniden gönderilir. 10 adımlı bir ReAct çalışması ilk adımlarını 10 kez gönderir. Ajan token bütçesi yazısı bunu ayrıntılı inceler.
  • Akıl yürüten modeller. Yanıtlamadan önce akıl yürüten modeller “Thought” işinin bir kısmını dahili olarak, akıl yürütme token’ları şeklinde yapar.

BroadNet Inference’ta

Herhangi bir BroadNet sohbet modeline karşı ReAct döngüsü çalıştırabilirsiniz; ister metin formatı ve az örnekli (few-shot) örneklerle, ister yapılandırılmış araçlarla. BroadNet’in belgeleri GLM 5.3 ve Qwen3.8 27B için araç çağırmayı listeler. Açık modellerle araç çağırma istek yapılarını gösterir.

DeepSeek V4.1 Flash, GLM 5.3 ve Qwen3.8 27B yanıtlamadan önce akıl yürütür ve bu akıl yürütme max_tokens sınırına dahildir. Her adımda buna yer bırakın ya da reasoning_effort değerini low yapın.

Sık sorulan sorular

ReAct, düşünce zinciriyle (chain-of-thought) aynı şey mi?

Hayır. Düşünce zinciri yalnızca akıl yürütmedir. ReAct araya eylemler ekler; böylece model yalnızca zaten bildiklerine güvenmek yerine bilgi arayabilir ve bulduklarına göre kendini düzeltebilir.

Bugün istemlere hâlâ Thought ve Action satırları yazıyor muyum?

Genellikle hayır. Modern API'ler yapılandırılmış araç çağrıları döndürür ve akıl yürüten modeller yanıtlamadan önce düşünür. ReAct fikri, yani akıl yürüt, eyleme geç, gözlemle döngüsü, çoğu framework'ün ajan döngüsünde yaşamaya devam eder.

ReAct makalesi neyi gösterdi?

Yazarlar, ALFWorld ve WebShop'ta ReAct'in, bağlam içinde yalnızca bir veya iki örnekle istendiğinde, taklit ve pekiştirmeli öğrenme yöntemlerini mutlak başarı oranında %34 ve %10 geride bıraktığını bildiriyor.

Markdown olarak okuChatGPT asistanına sorClaude asistanına sorPerplexity asistanına sor