--- title: "ReAct Prompting (TH)" source: "https://systems-analysis.info/int/ReAct_Prompting_(TH)" wiki: "systems-analysis.info/int" article: "ReAct_Prompting_(TH)" language: "th" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" - "Category:Thai" revision_id: 6198 wiki_created_at: 2026-09-06T23:59:41Z wiki_modified_at: 2026-09-06T23:59:41Z downloaded_at: 2026-09-07T23:12:34Z --- # ReAct Prompting (TH) **ReAct** (ย่อมาจาก **Reason + Act** แปลว่า «ให้เหตุผลและกระทำ») — คือกระบวนทัศน์การออกแบบ prompt สำหรับโมเดลภาษาขนาดใหญ่ (LLM) ที่ช่วยให้โมเดลสามารถแก้ปัญหาที่ซับซ้อนได้ด้วยการสลับระหว่างการให้เหตุผลเชิงวาจา (ความคิด) และการกระทำที่โต้ตอบกับสภาพแวดล้อมภายนอก[\[1\]](https://systems-analysis.info/int/ReAct_Prompting_(TH)#cite_note-yao2022react-1) วิธีการนี้ถูกเสนอขึ้นในปี 2022 โดยนักวิจัยจาก **Google Research** และ **มหาวิทยาลัยพรินซ์ตัน** และได้กลายเป็นแนวทางพื้นฐานในการพัฒนาตัวแทนอัจฉริยะ นวัตกรรมหลักของ ReAct คือการผสมผสานการให้เหตุผลเชิงตรรกะซึ่งเป็นลักษณะเฉพาะของเทคนิคอย่าง Chain-of-Thought (CoT) เข้ากับการดำเนินการภายนอก เช่น การค้นหาข้อมูลหรือการโต้ตอบกับ API ซึ่งช่วยให้โมเดลสามารถปรับแผนได้อย่างพลวัต ตรวจสอบข้อเท็จจริง และ突破ข้อจำกัดของความรู้ภายในของตนเองที่มักจะล้าสมัยหรือไม่ครบถ้วน[\[2\]](https://systems-analysis.info/int/ReAct_Prompting_(TH)#cite_note-googleblog-react-2) ## พื้นหลังและประวัติการสร้าง ก่อนที่ ReAct จะปรากฏขึ้น มีแนวทางหลักสองแนวทางที่แยกจากกันสำหรับการใช้ LLM ในการแก้ปัญหาที่ซับซ้อน: - **ลำดับของการให้เหตุผล (Chain-of-Thought, CoT)**: โมเดลสร้างการให้เหตุผลเชิงตรรกะทีละขั้นตอนเพื่อแก้ปัญหา แต่ทำสิ่งนี้ใน «สุญญากาศทางข้อมูล» โดยอาศัยเฉพาะความรู้ภายในของตนเอง ซึ่งมักนำไปสู่ข้อผิดพลาดเชิงข้อเท็จจริงและ «ภาพหลอน» (hallucination)[\[1\]](https://systems-analysis.info/int/ReAct_Prompting_(TH)#cite_note-yao2022react-1) - **การวางแผนการกระทำ (Act-Only)**: โมเดลสร้างลำดับของการกระทำเพื่อโต้ตอบกับสภาพแวดล้อมภายนอก (เช่น ในเกมข้อความ) แต่ไม่มีการวางแผนระดับสูงที่ชัดเจน ระบบเหล่านี้จัดการกับข้อผิดพลาดได้ไม่ดีและไม่สามารถปรับกลยุทธ์เมื่อเผชิญกับสถานการณ์ที่ไม่คาดคิด ReAct ถูกสร้างขึ้นเพื่อรวมจุดแข็งของทั้งสองแนวทางเข้าด้วยกันอย่างเสริมซึ่งกันและกัน โดยช่วยให้โมเดลไม่เพียงแต่ให้เหตุผล แต่ยัง *เชื่อมโยง* การให้เหตุผลของตนกับข้อเท็จจริงจากโลกภายนอก และปรับการกระทำของตนตามข้อมูลป้อนกลับที่ได้รับ ## กลไกการทำงาน: วงจร «ความคิด — การกระทำ — การสังเกต» ReAct ทำงานภายในวงจรซ้ำ ๆ ที่ประกอบด้วยสามองค์ประกอบหลัก โมเดลสร้างวิถีทางที่ประกอบด้วยขั้นตอน **Thought**, **Action** และ **Observation** ตามลำดับ **ตัวอย่างโครงสร้าง prompt:** ***คำถาม: เมืองหลวงของเมืองที่นักประดิษฐ์ผู้มีชื่อเสียงด้านกระแสไฟฟ้าสลับเกิดคืออะไร?*** ***Thought 1:** ฉันต้องค้นหาว่าใครเป็นผู้ประดิษฐ์กระแสไฟฟ้าสลับ จากนั้นหาสถานที่เกิดของเขา และตรวจสอบว่าเมืองนั้นเป็นเมืองหลวงหรือไม่* ***Action 1:** Search\[ผู้ประดิษฐ์กระแสไฟฟ้าสลับ\]* ***Observation 1:** กระแสไฟฟ้าสลับ (AC) ได้รับการพัฒนาและส่งเสริมโดย Nikola Tesla* ***Thought 2:** ตอนนี้ฉันต้องรู้ว่า Nikola Tesla เกิดที่ไหน* ***Action 2:** Search\[สถานที่เกิดของ Nikola Tesla\]* ***Observation 2:** Nikola Tesla เกิดในหมู่บ้าน Smiljan จักรวรรดิออสเตรีย (โครเอเชียในปัจจุบัน)* ***Thought 3:** Smiljan ไม่ใช่เมืองหลวง ดังนั้นคำถามนี้ไม่มีคำตอบที่ชัดเจนในการตีความนี้ อย่างไรก็ตาม Tesla อาศัยและทำงานในสหรัฐอเมริกาเป็นเวลานาน บางทีอาจหมายถึงเมืองหลวงของประเทศที่เขาค้นพบสิ่งสำคัญ ซึ่งเป็นคำถามที่ซับซ้อนกว่า ฉันควรระบุข้อเท็จจริงตามสถานที่เกิด เมืองที่เขาเกิดไม่ใช่เมืองหลวง* ***Final Answer:** นักประดิษฐ์ที่เกี่ยวข้องกับกระแสไฟฟ้าสลับ คือ Nikola Tesla เกิดที่ Smiljan (โครเอเชีย) ซึ่งไม่ใช่เมืองหลวง* ### ความคิด (Thought) โมเดลสร้างการให้เหตุผลภายในซึ่งวิเคราะห์ปัญหา แบ่งย่อยเป็นปัญหาย่อย สร้างหรือปรับแผนการดำเนินงาน และประเมินสถานะปัจจุบัน ขั้นตอนนี้ไม่ส่งผลต่อสภาพแวดล้อมภายนอก แต่ทำหน้าที่เป็นการวางแผนภายใน ### การกระทำ (Action) จากการให้เหตุผลของตน โมเดลดำเนินการภายนอกโดยเรียกใช้เครื่องมือที่มีอยู่อย่างใดอย่างหนึ่ง ตัวอย่างของการกระทำ: - Search \[คำค้นหา\] — สำหรับค้นหาข้อมูลในฐานความรู้ (เช่น Wikipedia) - Click \[องค์ประกอบ\] — สำหรับนำทางบนหน้าเว็บ - API_call \[พารามิเตอร์\] — สำหรับเรียก API ภายนอก ### การสังเกต (Observation) ระบบหรือเครื่องมือภายนอกดำเนินการและส่งคืนผลลัพธ์ (การสังเกต) ซึ่งอาจเป็นข้อความ การตอบสนองจาก API หรือข้อความแจ้งข้อผิดพลาด โมเดลใช้การสังเกตนี้เพื่อสร้างความคิดถัดไป ปิดวงจรข้อมูลป้อนกลับ[\[2\]](https://systems-analysis.info/int/ReAct_Prompting_(TH)#cite_note-googleblog-react-2) ## ผลการทดลองและประสิทธิภาพ ผู้เขียน ReAct ได้ทดสอบวิธีการบน benchmark ที่หลากหลาย และแสดงให้เห็นถึงความเหนือกว่าเมื่อเปรียบเทียบกับแนวทาง CoT และ Act-Only | Benchmark | งาน | ReAct (ความสำเร็จ/ความแม่นยำ) | Chain-of-Thought (ความสำเร็จ/ความแม่นยำ) | Act-Only (ความสำเร็จ/ความแม่นยำ) | |--------------|-----------------------|-----------------------------|----------------------------------------|--------------------------------| | **FEVER** | การตรวจสอบข้อเท็จจริง | **87.6%** | 82.8% | 70.1% | | **HotpotQA** | คำถามแบบหลายขั้นตอน | 31.8% | **36.3%** | 17.0% | | **ALFWorld** | เกมข้อความ (การวางแผน) | **71%** | 10% | 13% | | **WebShop** | การนำทางบนเว็บ | **40%** | \- | 30.1% | ผลลัพธ์ของ ReAct เปรียบเทียบกับวิธีพื้นฐานบน benchmark หลัก[\[1\]](https://systems-analysis.info/int/ReAct_Prompting_(TH)#cite_note-yao2022react-1) - ในงานที่ต้องการ**การตรวจสอบข้อเท็จจริง** (FEVER) ReAct มีประสิทธิภาพเหนือกว่า CoT อย่างมีนัยสำคัญ เนื่องจากสามารถยืนยันข้อมูลได้ - ในงาน**การวางแผนแบบโต้ตอบ** (ALFWorld, WebShop) ReAct แสดงให้เห็นถึงข้อได้เปรียบอย่างมาก เนื่องจากสามารถปรับตัวต่อสภาพแวดล้อมที่เปลี่ยนแปลงได้ - ในงาน**การให้เหตุผลล้วน ๆ** (HotpotQA) CoT อาจแสดงผลลัพธ์ที่เทียบเคียงกันหรือดีกว่าได้ อย่างไรก็ตาม แนวทางผสม **ReAct+CoT** แสดงประสิทธิภาพที่ดีที่สุด โดยบรรลุ 35% ใน HotpotQA[\[1\]](https://systems-analysis.info/int/ReAct_Prompting_(TH)#cite_note-yao2022react-1) ## การวิจารณ์และข้อจำกัด แม้จะมีประสิทธิภาพ แต่ ReAct มีข้อจำกัดและจุดอ่อนหลายประการ - **«ความเปราะบาง» (Brittleness)**: งานวิจัยในภายหลังแสดงให้เห็นว่าความสำเร็จของ ReAct อาจเกี่ยวข้องไม่มากนักกับการทำงานร่วมกันอย่างแท้จริงของการให้เหตุผลและการกระทำ แต่กับ**ความคล้ายคลึงทางไวยากรณ์**ระหว่างตัวอย่างใน prompt และงานปัจจุบัน โมเดลอาจปฏิบัติตามรูปแบบ \`Thought-Action-Observation\` โดยไม่เข้าใจความหมายของการให้เหตุผลอย่างเต็มที่[\[3\]](https://systems-analysis.info/int/ReAct_Prompting_(TH)#cite_note-verma2024brittle-3) - **ต้นทุนการคำนวณ**: แต่ละวงจร ReAct ต้องการการเรียก LLM อย่างน้อยหนึ่งครั้งและการเรียกใช้เครื่องมือภายนอกหนึ่งครั้ง ซึ่งทำให้ช้าและมีค่าใช้จ่ายสูงเมื่อเปรียบเทียบกับ prompt มาตรฐาน - **การพึ่งพาเครื่องมือ**: ประสิทธิภาพของตัวแทนขึ้นอยู่กับคุณภาพและความน่าเชื่อถือของเครื่องมือที่มีอยู่โดยตรง การตอบสนองที่ไม่ถูกต้องหรือมีสัญญาณรบกวนจาก API อาจทำให้การให้เหตุผลของโมเดลเดินทางผิดทิศทาง ## ความสำคัญและการพัฒนาต่อไป ReAct ได้กลายเป็นหลักไมล์สำคัญในการพัฒนา AI ซึ่งแสดงถึงการเปลี่ยนผ่านจาก**ระบบเชิงสร้าง**ไปสู่**ระบบเชิงตัวแทน** โดยได้วางรากฐานทางแนวคิดและทางปฏิบัติสำหรับ framework สมัยใหม่ส่วนใหญ่สำหรับการสร้างตัวแทน เช่น: - **LangChain** - **LlamaIndex** - **AutoGen** แนวคิดของ ReAct ได้เป็นจุดเริ่มต้นสำหรับสถาปัตยกรรมการให้เหตุผลที่ซับซ้อนยิ่งขึ้น เช่น **Reflexion** (เพิ่มวงจรการสะท้อนตนเองหลังจากความล้มเหลว) และ **Tree of Thoughts (ToT)** (สำรวจเส้นทางการให้เหตุผลหลายเส้นทางพร้อมกัน) ## ลิงก์ - หน้าโครงการอย่างเป็นทางการของ ReAct - คำอธิบาย ReAct ในคู่มือ Learn Prompting - Google Research (2022). *ReAct: Synergizing Reasoning and Acting in Language Models* (blog post). Google Research Blog. ## วรรณกรรม - 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. ## หมายเหตุ 1. ↑ [1.0](https://systems-analysis.info/int/ReAct_Prompting_(TH)#cite_ref-yao2022react_1-0) [1.1](https://systems-analysis.info/int/ReAct_Prompting_(TH)#cite_ref-yao2022react_1-1) [1.2](https://systems-analysis.info/int/ReAct_Prompting_(TH)#cite_ref-yao2022react_1-2) [1.3](https://systems-analysis.info/int/ReAct_Prompting_(TH)#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_(TH)#cite_ref-googleblog-react_2-0) [2.1](https://systems-analysis.info/int/ReAct_Prompting_(TH)#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_(TH)#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]