--- title: "ReAct Prompting (CS)" source: "https://systems-analysis.info/int/ReAct_Prompting_(CS)" wiki: "systems-analysis.info/int" article: "ReAct_Prompting_(CS)" language: "cs" categories: - "Category:Czech" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 6181 wiki_created_at: 2026-09-06T23:59:27Z wiki_modified_at: 2026-09-06T23:59:27Z downloaded_at: 2026-09-07T23:12:29Z --- # ReAct Prompting (CS) **ReAct** (zkr. z **Reason + Act**, v překladu — „Uvažuj a Jednej") — paradigma navrhování dotazů (prompting) pro velké jazykové modely (LLM), která jim umožňuje řešit složité úlohy střídáním verbálních úvah (myšlenek) a akcí interagujících s vnějším prostředím[\[1\]](https://systems-analysis.info/int/ReAct_Prompting_(CS)#cite_note-yao2022react-1). Metoda byla navržena v roce 2022 výzkumníky z **Google Research** a **Princetonské univerzity** a stala se základním přístupem v rozvoji inteligentních agentů. Klíčová inovace ReAct spočívá ve spojení logického uvažování, typického pro techniky jako Chain-of-Thought (CoT), s prováděním externích akcí, jako je vyhledávání informací nebo interakce s programovými rozhraními (API). To umožňuje modelu dynamicky upravovat svůj plán, ověřovat fakta a překonávat omezení vlastních, často zastaralých nebo neúplných znalostí[\[2\]](https://systems-analysis.info/int/ReAct_Prompting_(CS)#cite_note-googleblog-react-2). ## Předpoklady a historie vzniku Před vznikem ReAct existovaly dva hlavní, avšak oddělené přístupy k využití LLM pro řešení složitých úloh: - **Řetězec úvah (Chain-of-Thought, CoT)**: Model generuje postupné logické úvahy k řešení úlohy, ale činí tak v „informačním vakuu", opíraje se výhradně o své vnitřní znalosti. To často vede k faktickým chybám a „halucinacím"[\[1\]](https://systems-analysis.info/int/ReAct_Prompting_(CS)#cite_note-yao2022react-1). - **Plánování akcí (Act-Only)**: Model generuje posloupnost akcí pro interakci s vnějším prostředím (například v textových hrách), avšak bez explicitního vysokoúrovňového plánování. Takové systémy si špatně poradí s chybami a nemohou přizpůsobit svou strategii při setkání s nepředvídanými okolnostmi. ReAct byl vytvořen pro synergetické spojení silných stránek obou přístupů. Umožňuje modelu nejen uvažovat, ale také *ukotvovat* své úvahy na faktech z vnějšího světa a přizpůsobovat své akce na základě získané zpětné vazby. ## Mechanismus fungování: cyklus „Myšlenka — Akce — Pozorování\\ ReAct funguje v rámci iterativního cyklu, který zahrnuje tři klíčové komponenty. Model postupně generuje trajektorii sestávající z kroků **Thought**, **Action** a **Observation**. **Příklad struktury promptu:** ***Otázka: Jaké hlavní město má město, ve kterém se narodil vynálezce proslavený střídavým proudem?*** ***Thought 1:** Potřebuji zjistit, kdo vynalezl střídavý proud. Poté najít místo jeho narození a ověřit, zda je toto město hlavním městem.* ***Action 1:** Search\[vynálezce střídavého proudu\]* ***Observation 1:** Střídavý proud (AC) byl vyvinut a prosazován Nikolou Teslou.* ***Thought 2:** Nyní potřebuji zjistit, kde se Nikola Tesla narodil.* ***Action 2:** Search\[místo narození Nikoly Tesly\]* ***Observation 2:** Nikola Tesla se narodil ve vesnici Smiljan, Rakouské císařství (dnešní Chorvatsko).* ***Thought 3:** Smiljan není hlavním městem. Otázka tedy nemá jednoznačnou odpověď v takové formulaci. Tesla však dlouho žil a pracoval v USA. Možná je míněno hlavní město země, kde učinil svá hlavní objevy. To je složitější otázka. Musím konstatovat fakta vycházející z místa narození. Město jeho narození není hlavním městem.* ***Final Answer:** Vynálezce spojený se střídavým proudem, Nikola Tesla, se narodil ve Smiljanu (Chorvatsko), které není hlavním městem.* ### Myšlenka (Thought) Model generuje vnitřní úvahu, ve které analyzuje úlohu, rozkládá ji na dílčí úlohy, vytváří nebo koriguje plán akcí a hodnotí aktuální stav. Tento krok neovlivňuje vnější prostředí, ale slouží k vnitřnímu plánování. ### Akce (Action) Na základě své úvahy model provede externí akci a obrátí se na jeden z dostupných nástrojů. Příklady akcí: - Search \[dotaz\] — pro vyhledávání informací ve znalostní bázi (například Wikipedie). - Click \[prvek\] — pro navigaci po webové stránce. - API_call \[parametry\] — pro volání externího API. ### Pozorování (Observation) Systém nebo externí nástroj provede akci a vrátí výsledek (pozorování). Může jít o fragment textu, odpověď API nebo chybové hlášení. Model toto pozorování využívá k formulování další myšlenky, čímž uzavírá smyčku zpětné vazby[\[2\]](https://systems-analysis.info/int/ReAct_Prompting_(CS)#cite_note-googleblog-react-2). ## Experimentální výsledky a efektivita Autoři ReAct otestovali metodu na širokém spektru úloh a prokázali její převahu nad přístupy CoT a Act-Only. | Benchmark | Úloha | ReAct (úspěšnost/přesnost) | Chain-of-Thought (úspěšnost/přesnost) | Act-Only (úspěšnost/přesnost) | |--------------|-------------------------|----------------------------|---------------------------------------|-------------------------------| | **FEVER** | Ověřování faktů | **87.6%** | 82.8% | 70.1% | | **HotpotQA** | Otázky s více přechody | 31.8% | **36.3%** | 17.0% | | **ALFWorld** | Textová hra (plánování) | **71%** | 10% | 13% | | **WebShop** | Webová navigace | **40%** | \- | 30.1% | Výsledky ReAct v porovnání se základními metodami na klíčových benchmarcích[\[1\]](https://systems-analysis.info/int/ReAct_Prompting_(CS)#cite_note-yao2022react-1) - V úlohách vyžadujících **ověřování faktů** (FEVER) ReAct výrazně překonává CoT, protože dokáže informace verifikovat. - V úlohách na **interaktivní plánování** (ALFWorld, WebShop) ReAct vykazuje obrovskou výhodu, protože se dokáže přizpůsobit měnícímu se prostředí. - V úlohách na **čisté uvažování** (HotpotQA) může CoT vykazovat srovnatelné nebo dokonce lepší výsledky. Hybridní přístup **ReAct+CoT** však ukázal nejlepší výkon a dosáhl 35 % v HotpotQA[\[1\]](https://systems-analysis.info/int/ReAct_Prompting_(CS)#cite_note-yao2022react-1). ## Kritika a omezení Na přes svou efektivitu má ReAct řadu omezení a zranitelností. - **„Křehkost" (Brittleness)**: Pozdější výzkumy ukázaly, že úspěch ReAct může být spojen nikoli s opravdovou synergií uvažování a akce, ale se **syntaktickou podobností** mezi příklady v promptu a aktuální úlohou. Model může následovat šablonu \`Thought-Action-Observation\`, aniž by plně rozuměl sémantice úvah[\[3\]](https://systems-analysis.info/int/ReAct_Prompting_(CS)#cite_note-verma2024brittle-3). - **Výpočetní náklady**: Každý cyklus ReAct vyžaduje minimálně jedno volání LLM a jedno obrácení se na externí nástroj, což ho činí pomalým a nákladným ve srovnání se standardním promptingem. - **Závislost na nástrojích**: Efektivita agenta přímo závisí na kvalitě a spolehlivosti dostupných nástrojů. Nesprávná nebo zašuměná odpověď z API může uvést uvažování modelu na falešnou stopu. ## Význam a další rozvoj ReAct se stal důležitým milníkem v rozvoji umělé inteligence, znamenajíce přechod od **generativních systémů** k **agentním systémům**. Položil koncepční a praktický základ pro většinu moderních frameworků pro tvorbu agentů, jako jsou: - **LangChain** - **LlamaIndex** - **AutoGen** Myšlenky ReAct posloužily jako výchozí bod pro složitější architektury uvažování, jako jsou **Reflexion** (přidává cyklus sebereflexe po neúspěších) a **Tree of Thoughts (ToT)** (zkoumá několik cest uvažování paralelně). ## Odkazy - Oficiální stránka projektu ReAct - Popis ReAct v průvodci Learn Prompting - Google Research (2022). *ReAct: Synergizing Reasoning and Acting in Language Models* (blog post). Google Research Blog. ## Literatura - Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629. - Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601. - Shinn, N. et al. (2023). *Reflexion: Language Agents with Verbal Reinforcement Learning*. arXiv:2303.11366. - Verma, V. et al. (2024). *On the Brittle Foundations of ReAct Prompting for Agentic Large Language Models*. arXiv:2405.13966. - Yao, S. et al. (2022). *WebShop: Towards Scalable Real-World Web Interaction with Grounded Language Agents*. arXiv:2207.01206. - Shridhar, M. et al. (2020). *ALFWorld: Aligning Text and Embodied Environments for Interactive Learning*. arXiv:2010.03768. - Qin, L. et al. (2023). *AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Collaboration*. arXiv:2308.08155. - Thorne, J. et al. (2018). *FEVER: A Large-Scale Dataset for Fact Extraction and Verification*. arXiv:1803.05355. - Yang, Z. et al. (2018). *HotpotQA: A Dataset for Diverse, Explainable Multi-hop Question Answering*. arXiv:1809.09600. ## Poznámky 1. ↑ [1.0](https://systems-analysis.info/int/ReAct_Prompting_(CS)#cite_ref-yao2022react_1-0) [1.1](https://systems-analysis.info/int/ReAct_Prompting_(CS)#cite_ref-yao2022react_1-1) [1.2](https://systems-analysis.info/int/ReAct_Prompting_(CS)#cite_ref-yao2022react_1-2) [1.3](https://systems-analysis.info/int/ReAct_Prompting_(CS)#cite_ref-yao2022react_1-3) Yao, S., Zhao, J., Yu, D., et al. (2022). «ReAct: Synergizing Reasoning and Acting in Language Models». *arXiv preprint arXiv:2210.03629*. [1] 2. ↑ [2.0](https://systems-analysis.info/int/ReAct_Prompting_(CS)#cite_ref-googleblog-react_2-0) [2.1](https://systems-analysis.info/int/ReAct_Prompting_(CS)#cite_ref-googleblog-react_2-1) «ReAct: Synergizing Reasoning and Acting in Language Models». *Google Research Blog*. [2] 3. [↑](https://systems-analysis.info/int/ReAct_Prompting_(CS)#cite_ref-verma2024brittle_3-0) Verma, V., et al. (2024). «On the Brittle Foundations of ReAct Prompting for Agentic Large Language Models». *arXiv preprint arXiv:2405.13966*. [3]