--- title: "ReAct Prompting (PL)" source: "https://systems-analysis.info/int/ReAct_Prompting_(PL)" wiki: "systems-analysis.info/int" article: "ReAct_Prompting_(PL)" language: "pl" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Polish" - "Category:Prompt engineering" revision_id: 6194 wiki_created_at: 2026-09-06T23:59:38Z wiki_modified_at: 2026-09-06T23:59:38Z downloaded_at: 2026-09-07T23:12:33Z --- # ReAct Prompting (PL) **ReAct** (skrót od **Reason + Act**, z ang. — „Rozumuj i Działaj") — paradygmat projektowania zapytań (promptingu) dla dużych modeli językowych (LLM), pozwalający im rozwiązywać złożone zadania poprzez naprzemienne stosowanie werbalnych rozumowań (myśli) i działań wchodzących w interakcję ze środowiskiem zewnętrznym[\[1\]](https://systems-analysis.info/int/ReAct_Prompting_(PL)#cite_note-yao2022react-1). Metoda została zaproponowana w 2022 roku przez badaczy z **Google Research** i **Uniwersytetu Princeton** i stała się fundamentalnym podejściem w rozwoju inteligentnych agentów. Kluczową innowacją ReAct jest połączenie rozumowania logicznego, charakterystycznego dla technik takich jak Chain-of-Thought (CoT), z wykonywaniem zewnętrznych działań, takich jak wyszukiwanie informacji czy interakcja z interfejsami programistycznymi (API). Pozwala to modelowi dynamicznie korygować swój plan, weryfikować fakty i przezwyciężać ograniczenia własnej, często przestarzałej lub niepełnej wiedzy[\[2\]](https://systems-analysis.info/int/ReAct_Prompting_(PL)#cite_note-googleblog-react-2). ## Przesłanki i historia powstania Przed pojawieniem się ReAct istniały dwa główne, lecz rozłączne podejścia do wykorzystania LLM do rozwiązywania złożonych zadań: - **Łańcuch rozumowania (Chain-of-Thought, CoT)**: Model generuje stopniowe rozumowanie logiczne w celu rozwiązania zadania, lecz czyni to w „próżni informacyjnej", opierając się wyłącznie na swojej wewnętrznej wiedzy. Prowadzi to często do błędów faktycznych i „halucynacji"[\[1\]](https://systems-analysis.info/int/ReAct_Prompting_(PL)#cite_note-yao2022react-1). - **Planowanie działań (Act-Only)**: Model generuje sekwencję działań do interakcji ze środowiskiem zewnętrznym (np. w grach tekstowych), lecz bez jawnego wysokopoziomowego planowania. Takie systemy słabo radzą sobie z błędami i nie potrafią dostosować swojej strategii w obliczu nieprzewidzianych okoliczności. ReAct powstał w celu synergicznego połączenia mocnych stron obu podejść. Pozwala modelowi nie tylko rozumować, lecz także *zakorzenić* swoje rozumowania w faktach ze świata zewnętrznego, a także dostosowywać swoje działania na podstawie otrzymanej informacji zwrotnej. ## Mechanizm działania: cykl „Myśl — Działanie — Obserwacja" ReAct działa w ramach iteracyjnego cyklu, który obejmuje trzy kluczowe komponenty. Model sekwencyjnie generuje trajektorię składającą się z kroków **Thought**, **Action** i **Observation**. **Przykładowa struktura promptu:** ***Pytanie: Jaką stolicą jest miasto, w którym urodził się wynalazca znany dzięki prądowi przemiennemu?*** ***Thought 1:** Muszę ustalić, kto wynalazł prąd przemienny. Następnie znaleźć miejsce jego urodzenia i sprawdzić, czy to miasto jest stolicą.* ***Action 1:** Search\[wynalazca prądu przemiennego\]* ***Observation 1:** Prąd przemienny (AC) został opracowany i rozpropagowany przez Nikolę Teslę.* ***Thought 2:** Teraz muszę dowiedzieć się, gdzie urodził się Nikola Tesla.* ***Action 2:** Search\[miejsce urodzenia Nikoli Tesli\]* ***Observation 2:** Nikola Tesla urodził się we wsi Smiljan, Cesarstwo Austriackie (dzisiejsza Chorwacja).* ***Thought 3:** Smiljan nie jest stolicą. Zatem pytanie nie ma jednoznacznej odpowiedzi w takiej formie. Tesla długo jednak mieszkał i pracował w USA. Być może chodzi o stolicę kraju, w którym dokonał swoich głównych odkryć. To bardziej złożone pytanie. Powinienem stwierdzić fakt oparty na miejscu urodzenia. Miasto jego urodzenia nie jest stolicą.* ***Final Answer:** Wynalazca związany z prądem przemiennym, Nikola Tesla, urodził się w Smiljanie (Chorwacja), które nie jest stolicą.* ### Myśl (Thought) Model generuje wewnętrzne rozumowanie, w którym analizuje zadanie, dekompozuje je na podzadania, formuje lub koryguje plan działania oraz ocenia bieżący stan. Ten krok nie wpływa na środowisko zewnętrzne, lecz służy wewnętrznemu planowaniu. ### Działanie (Action) Na podstawie swojego rozumowania model wykonuje zewnętrzne działanie, odwołując się do jednego z dostępnych narzędzi. Przykłady działań: - Search \[zapytanie\] — do wyszukiwania informacji w bazie wiedzy (np. Wikipedii). - Click \[element\] — do nawigacji po stronie internetowej. - API_call \[parametry\] — do wywołania zewnętrznego API. ### Obserwacja (Observation) System lub zewnętrzne narzędzie wykonuje działanie i zwraca wynik (obserwację). Może to być fragment tekstu, odpowiedź API lub komunikat o błędzie. Model wykorzystuje tę obserwację do sformułowania kolejnej myśli, zamykając pętlę informacji zwrotnej[\[2\]](https://systems-analysis.info/int/ReAct_Prompting_(PL)#cite_note-googleblog-react-2). ## Wyniki eksperymentalne i skuteczność Autorzy ReAct przetestowali metodę na szerokim spektrum zadań, demonstrując jej przewagę nad podejściami CoT i Act-Only. | Benchmark | Zadanie | ReAct (sukces/dokładność) | Chain-of-Thought (sukces/dokładność) | Act-Only (sukces/dokładność) | |--------------|---------------------------|---------------------------|--------------------------------------|------------------------------| | **FEVER** | Weryfikacja faktów | **87.6%** | 82.8% | 70.1% | | **HotpotQA** | Pytania wieloetapowe | 31.8% | **36.3%** | 17.0% | | **ALFWorld** | Gra tekstowa (planowanie) | **71%** | 10% | 13% | | **WebShop** | Nawigacja internetowa | **40%** | \- | 30.1% | Wyniki ReAct w porównaniu z metodami bazowymi na kluczowych benchmarkach[\[1\]](https://systems-analysis.info/int/ReAct_Prompting_(PL)#cite_note-yao2022react-1) - W zadaniach wymagających **weryfikacji faktów** (FEVER) ReAct znacząco przewyższa CoT, ponieważ może weryfikować informacje. - W zadaniach **interaktywnego planowania** (ALFWorld, WebShop) ReAct wykazuje ogromną przewagę, gdyż potrafi dostosować się do zmieniającego się środowiska. - W zadaniach opartych na **czystym rozumowaniu** (HotpotQA) CoT może osiągać porównywalne lub nawet lepsze wyniki. Jednak podejście hybrydowe **ReAct+CoT** wykazało najlepszą wydajność, osiągając 35% w HotpotQA[\[1\]](https://systems-analysis.info/int/ReAct_Prompting_(PL)#cite_note-yao2022react-1). ## Krytyka i ograniczenia Pomimo swojej skuteczności ReAct posiada szereg ograniczeń i słabości. - **„Kruchość" (Brittleness)**: Późniejsze badania wykazały, że sukces ReAct może być związany nie tyle z autentyczną synergią rozumowania i działania, co z **podobieństwem składniowym** między przykładami w prompcie a bieżącym zadaniem. Model może podążać za szablonem \`Thought-Action-Observation\`, nie rozumiejąc w pełni semantyki rozumowań[\[3\]](https://systems-analysis.info/int/ReAct_Prompting_(PL)#cite_note-verma2024brittle-3). - **Koszty obliczeniowe**: Każdy cykl ReAct wymaga co najmniej jednego wywołania LLM i jednego odwołania do zewnętrznego narzędzia, co czyni go wolnym i kosztownym w porównaniu ze standardowym promptingiem. - **Zależność od narzędzi**: Skuteczność agenta zależy bezpośrednio od jakości i niezawodności dostępnych narzędzi. Nieprawidłowa lub zaszumiona odpowiedź z API może skierować rozumowanie modelu na błędną ścieżkę. ## Znaczenie i dalszy rozwój ReAct stał się ważnym kamieniem milowym w rozwoju AI, oznaczając przejście od **systemów generatywnych** do **systemów agentowych**. Położył konceptualne i praktyczne fundamenty dla większości współczesnych frameworków do tworzenia agentów, takich jak: - **LangChain** - **LlamaIndex** - **AutoGen** Idee ReAct posłużyły za punkt wyjścia dla bardziej złożonych architektur rozumowania, takich jak **Reflexion** (dodaje cykl autorefleksji po niepowodzeniach) i **Tree of Thoughts (ToT)** (eksploruje równolegle wiele ścieżek rozumowania). ## Linki - Oficjalna strona projektu ReAct - Opis ReAct w przewodniku 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. ## Przypisy 1. ↑ [1.0](https://systems-analysis.info/int/ReAct_Prompting_(PL)#cite_ref-yao2022react_1-0) [1.1](https://systems-analysis.info/int/ReAct_Prompting_(PL)#cite_ref-yao2022react_1-1) [1.2](https://systems-analysis.info/int/ReAct_Prompting_(PL)#cite_ref-yao2022react_1-2) [1.3](https://systems-analysis.info/int/ReAct_Prompting_(PL)#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_(PL)#cite_ref-googleblog-react_2-0) [2.1](https://systems-analysis.info/int/ReAct_Prompting_(PL)#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_(PL)#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]