--- title: "ReAct Prompting (HU)" source: "https://systems-analysis.info/int/ReAct_Prompting_(HU)" wiki: "systems-analysis.info/int" article: "ReAct_Prompting_(HU)" language: "hu" categories: - "Category:Hungarian" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 6189 wiki_created_at: 2026-09-06T23:59:33Z wiki_modified_at: 2026-09-06T23:59:33Z downloaded_at: 2026-09-07T23:12:31Z --- # ReAct Prompting (HU) **ReAct** (a **Reason + Act** rövidítése, magyarul: „Gondolkodj és Cselekedj") — egy prompt-tervezési paradigma nagy nyelvi modellek (LLM) számára, amely lehetővé teszi számukra, hogy összetett feladatokat oldjanak meg verbális érvelések (gondolatok) és a külső környezettel kölcsönhatásba lépő cselekvések váltakozásával[\[1\]](https://systems-analysis.info/int/ReAct_Prompting_(HU)#cite_note-yao2022react-1). A módszert 2022-ben javasolta a **Google Research** és a **Princetoni Egyetem** kutatócsoportja, és az intelligens ágensek fejlesztésének alapvető megközelítésévé vált. A ReAct legfontosabb újítása az olyan technikákra jellemző logikai érvelés — mint a Chain-of-Thought (CoT) — és a külső cselekvések végrehajtásának összekapcsolása, mint például az információkeresés vagy a programozási interfészekkel (API) való interakció. Ez lehetővé teszi a modell számára, hogy dinamikusan korrigálja tervét, ellenőrizze a tényeket, és leküzdje saját, gyakran elavult vagy hiányos tudásának korlátait[\[2\]](https://systems-analysis.info/int/ReAct_Prompting_(HU)#cite_note-googleblog-react-2). ## Előzmények és a létrehozás története A ReAct megjelenése előtt két fő, de elkülönült megközelítés létezett az LLM-ek összetett feladatmegoldásra való alkalmazásában: - **Gondolatlánc (Chain-of-Thought, CoT)**: A modell lépésről lépésre haladó logikai érvelést generál a feladat megoldásához, de ezt „információs vákuumban" teszi, kizárólag belső tudására támaszkodva. Ez gyakran tárgyi hibákhoz és „hallucinációkhoz" vezet[\[1\]](https://systems-analysis.info/int/ReAct_Prompting_(HU)#cite_note-yao2022react-1). - **Cselekvéstervezés (Act-Only)**: A modell cselekvések sorozatát generálja a külső környezettel való interakcióhoz (például szöveges játékokban), de explicit magas szintű tervezés nélkül. Az ilyen rendszerek rosszul kezelik a hibákat, és nem tudják stratégiájukat adaptálni váratlan körülmények felmerülésekor. A ReAct-ot azért hozták létre, hogy szinergiával ötvözze mindkét megközelítés erősségeit. Lehetővé teszi a modell számára, hogy ne csak érveljen, hanem érvelését a külvilág tényeire is *alapozza*, és visszajelzések alapján cselekvéseit is adaptálja. ## A működési mechanizmus: a „Gondolat — Cselekvés — Megfigyelés" ciklus A ReAct egy iteratív ciklus keretein belül működik, amely három kulcskomponensből áll. A modell szekvenciálisan generál egy trajektóriát, amely **Thought**, **Action** és **Observation** lépésekből áll. **A prompt szerkezetének példája:** ***Kérdés: Melyik város fővárosa annak a feltalálónak a szülővárosa, aki a váltakozó áramról ismert?*** ***Thought 1:** Meg kell tudnom, ki találta fel a váltakozó áramot. Ezután meg kell találnom a születési helyét, és ellenőrizni, hogy ez a város főváros-e.* ***Action 1:** Search\[a váltakozó áram feltalálója\]* ***Observation 1:** A váltakozó áramot (AC) Nikola Tesla fejlesztette ki és népszerűsítette.* ***Thought 2:** Most meg kell tudnom, hol született Nikola Tesla.* ***Action 2:** Search\[Nikola Tesla születési helye\]* ***Observation 2:** Nikola Tesla Smilján faluban született, az Osztrák Birodalomban (a mai Horvátország területén).* ***Thought 3:** Smilján nem főváros. Így a kérdésnek ebben a megfogalmazásban nincs egyértelmű válasza. Tesla ugyanakkor hosszú ideig élt és dolgozott az USA-ban. Lehetséges, hogy annak az országnak a fővárosára gondolnak, ahol főbb felfedezéseit tette. Ez összetettebb kérdés. Az érintett tények alapján meg kell állapítanom: születési városa nem főváros.* ***Final Answer:** A váltakozó áramhoz köthető feltaláló, Nikola Tesla, Smiljánban (Horvátország) született, amely nem főváros.* ### Gondolat (Thought) A modell belső érvelést generál, amelyben elemzi a feladatot, részfeladatokra bontja, cselekvési tervet alkot vagy korrigál, és értékeli a jelenlegi állapotot. Ez a lépés nem hat a külső környezetre, hanem belső tervezésre szolgál. ### Cselekvés (Action) Érvelése alapján a modell külső cselekvést hajt végre, az elérhető eszközök egyikéhez fordulva. Cselekvések példái: - Search \[lekérdezés\] — információkereséshez egy tudásbázisban (például a Wikipédián). - Click \[elem\] — weblap navigációhoz. - API_call \[paraméterek\] — külső API híváshoz. ### Megfigyelés (Observation) A rendszer vagy a külső eszköz végrehajtja a cselekvést, és visszaadja az eredményt (megfigyelést). Ez lehet szövegrészlet, API-válasz vagy hibaüzenet. A modell ezt a megfigyelést használja a következő gondolat kialakításához, ezzel zárva a visszacsatolási hurkot[\[2\]](https://systems-analysis.info/int/ReAct_Prompting_(HU)#cite_note-googleblog-react-2). ## Kísérleti eredmények és hatékonyság A ReAct szerzői a módszert feladatok széles spektrumán tesztelték, és megmutatták fölényét a CoT és az Act-Only megközelítésekkel szemben. | Benchmark | Feladat | ReAct (siker/pontosság) | Chain-of-Thought (siker/pontosság) | Act-Only (siker/pontosság) | |--------------|---------------------------|-------------------------|------------------------------------|----------------------------| | **FEVER** | Tényellenőrzés | **87.6%** | 82.8% | 70.1% | | **HotpotQA** | Többlépéses kérdések | 31.8% | **36.3%** | 17.0% | | **ALFWorld** | Szöveges játék (tervezés) | **71%** | 10% | 13% | | **WebShop** | Webnavigáció | **40%** | \- | 30.1% | A ReAct eredményei az alap módszerekkel összehasonlítva a legfontosabb benchmarkokon[\[1\]](https://systems-analysis.info/int/ReAct_Prompting_(HU)#cite_note-yao2022react-1) - A **tényellenőrzést** igénylő feladatokban (FEVER) a ReAct jelentősen felülmúlja a CoT-ot, mivel képes az információkat ellenőrizni. - Az **interaktív tervezési** feladatokban (ALFWorld, WebShop) a ReAct óriási előnyt mutat, mivel képes a változó környezethez alkalmazkodni. - A **tiszta érvelési** feladatokban (HotpotQA) a CoT hasonló vagy akár jobb eredményeket is elérhet. A hibrid **ReAct+CoT** megközelítés azonban a legjobb teljesítményt mutatta, elérve a 35%-ot HotpotQA-n[\[1\]](https://systems-analysis.info/int/ReAct_Prompting_(HU)#cite_note-yao2022react-1). ## Kritika és korlátok Hatékonysága ellenére a ReAct-nak számos korlátja és sebezhetősége van. - **„Törékenység" (Brittleness)**: Újabb kutatások kimutatták, hogy a ReAct sikere nem annyira az érvelés és a cselekvés valódi szinergiájához, mint inkább a prompt példái és az aktuális feladat közötti **szintaktikai hasonlósághoz** köthető. A modell követheti a \`Thought-Action-Observation\` sablont anélkül, hogy teljes mértékben értené az érvelés szemantikáját[\[3\]](https://systems-analysis.info/int/ReAct_Prompting_(HU)#cite_note-verma2024brittle-3). - **Számítási költségek**: Minden ReAct ciklus legalább egy LLM-hívást és egy külső eszközhívást igényel, ami lassabbá és drágábbá teszi a standard promptinghoz képest. - **Eszközfüggőség**: Az ágens hatékonysága közvetlenül függ az elérhető eszközök minőségétől és megbízhatóságától. Egy helytelen vagy zajos API-válasz hamis irányba terelheti a modell érvelését. ## Jelentőség és további fejlesztés A ReAct fontos mérföldkővé vált az MI fejlődésében, jelezve az átmenetet a **generatív rendszerektől** az **agentikus rendszerek** felé. Fogalmi és gyakorlati alapot fektetett le a legtöbb modern ágenstervező keretrendszer számára, mint például: - **LangChain** - **LlamaIndex** - **AutoGen** A ReAct ötletei kiindulópontul szolgáltak összetettebb érvelési architektúrák számára, mint a **Reflexion** (sikertelenség után önreflexiós ciklust ad hozzá) és a **Tree of Thoughts (ToT)** (párhuzamosan több érvelési utat vizsgál). ## Hivatkozások - A ReAct projekt hivatalos oldala - A ReAct leírása a Learn Prompting útmutatóban - Google Research (2022). *ReAct: Synergizing Reasoning and Acting in Language Models* (blog post). Google Research Blog. ## Irodalom - 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. ## Megjegyzések 1. ↑ [1.0](https://systems-analysis.info/int/ReAct_Prompting_(HU)#cite_ref-yao2022react_1-0) [1.1](https://systems-analysis.info/int/ReAct_Prompting_(HU)#cite_ref-yao2022react_1-1) [1.2](https://systems-analysis.info/int/ReAct_Prompting_(HU)#cite_ref-yao2022react_1-2) [1.3](https://systems-analysis.info/int/ReAct_Prompting_(HU)#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_(HU)#cite_ref-googleblog-react_2-0) [2.1](https://systems-analysis.info/int/ReAct_Prompting_(HU)#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_(HU)#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]