--- title: "ReAct Prompting" source: "https://systems-analysis.info/wiki/ReAct_Prompting" wiki: "systems-analysis.info/wiki" article: "ReAct_Prompting" language: "ru" categories: - "Категория:Prompt инжиниринг" - "Категория:Russian" - "Категория:Большие языковые модели" - "Категория:Машинное обучение" revision_id: 174 wiki_created_at: 2026-09-06T22:04:50Z wiki_modified_at: 2026-09-06T22:04:50Z downloaded_at: 2026-09-07T22:18:03Z --- # ReAct Prompting **ReAct** (сокр. от **Reason + Act**, в переводе с англ. — «Рассуждай и Действуй») — это парадигма проектирования запросов (промптинга) для [больших языковых моделей](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8 "Большие языковые модели") (LLM), позволяющая им решать сложные задачи путём чередования вербальных рассуждений (мыслей) и действий, взаимодействующих с внешней средой[\[1\]](https://systems-analysis.info/wiki/ReAct_Prompting#cite_note-yao2022react-1). Метод был предложен в 2022 году исследователями из **Google Research** и **Принстонского университета** и стал фундаментальным подходом в развитии интеллектуальных агентов. Ключевая инновация ReAct заключается в объединении логических рассуждений, характерных для техник типа Chain-of-Thought (CoT), с выполнением внешних действий, таких как поиск информации или взаимодействие с программными интерфейсами (API). Это позволяет модели динамически корректировать свой план, проверять факты и преодолевать ограничения собственных, зачастую устаревших или неполных знаний[\[2\]](https://systems-analysis.info/wiki/ReAct_Prompting#cite_note-googleblog-react-2). ## Предпосылки и история создания До появления ReAct существовали два основных, но разрозненных подхода к использованию LLM для решения сложных задач: - **Цепочка рассуждений (Chain-of-Thought, CoT)**: Модель генерирует пошаговые логические рассуждения для решения задачи, но делает это в «информационном вакууме», опираясь исключительно на свои внутренние знания. Это часто приводит к фактическим ошибкам и «галлюцинациям»[\[1\]](https://systems-analysis.info/wiki/ReAct_Prompting#cite_note-yao2022react-1). - **Планирование действий (Act-Only)**: Модель генерирует последовательность действий для взаимодействия с внешней средой (например, в текстовых играх), но без явного высокоуровневого планирования. Такие системы плохо справляются с ошибками и не могут адаптировать свою стратегию при столкновении с непредвиденными обстоятельствами. ReAct был создан для синергетического объединения сильных сторон обоих подходов. Он позволяет модели не только рассуждать, но и *заземлять* свои рассуждения на фактах из внешнего мира, а также адаптировать свои действия на основе полученной обратной связи. ## Механизм работы: цикл «Мысль — Действие — Наблюдение» ReAct работает в рамках итеративного цикла, который включает три ключевых компонента. Модель последовательно генерирует траекторию, состоящую из шагов **Thought**, **Action** и **Observation**. **Пример структуры промпта:** ***Вопрос: Какой столицей является город, в котором родился изобретатель, известный благодаря переменному току?*** ***Thought 1:** Мне нужно выяснить, кто изобрел переменный ток. Затем найти место его рождения и проверить, является ли этот город столицей.* ***Action 1:** Search\[изобретатель переменного тока\]* ***Observation 1:** Переменный ток (AC) был разработан и продвинут Николой Теслой.* ***Thought 2:** Теперь мне нужно узнать, где родился Никола Тесла.* ***Action 2:** Search\[место рождения Николы Теслы\]* ***Observation 2:** Никола Тесла родился в селе Смилян, Австрийская империя (современная Хорватия).* ***Thought 3:** Смилян не является столицей. Таким образом, у вопроса нет однозначного ответа в такой формулировке. Однако Тесла долго жил и работал в США. Возможно, имеется в виду столица страны, где он сделал свои главные открытия. Это более сложный вопрос. Я должен констатировать факт, основанный на месте рождения. Город его рождения не является столицей.* ***Final Answer:** Изобретатель, связанный с переменным током, Никола Тесла, родился в Смиляне (Хорватия), который не является столицей.* ### Мысль (Thought) Модель генерирует внутреннее рассуждение, в котором она анализирует задачу, декомпозирует ее на подзадачи, формирует или корректирует план действий и оценивает текущее состояние. Этот шаг не влияет на внешнюю среду, но служит для внутреннего планирования. ### Действие (Action) На основе своего рассуждения модель выполняет внешнее действие, обращаясь к одному из доступных инструментов. Примеры действий: - Search \[запрос\] — для поиска информации в базе знаний (например, Википедии). - Click \[элемент\] — для навигации по веб-странице. - API_call \[параметры\] — для вызова внешнего API. ### Наблюдение (Observation) Система или внешний инструмент выполняет действие и возвращает результат (наблюдение). Это может быть фрагмент текста, ответ API или сообщение об ошибке. Модель использует это наблюдение для формирования следующей мысли, замыкая цикл обратной связи[\[2\]](https://systems-analysis.info/wiki/ReAct_Prompting#cite_note-googleblog-react-2). ## Экспериментальные результаты и эффективность Авторы ReAct протестировали метод на широком спектре задач, продемонстрировав его превосходство над CoT и Act-Only подходами. | Бенчмарк | Задача | ReAct (успех/точность) | Chain-of-Thought (успех/точность) | Act-Only (успех/точность) | |--------------|----------------------------------|------------------------|-----------------------------------|---------------------------| | **FEVER** | Проверка фактов | **87.6%** | 82.8% | 70.1% | | **HotpotQA** | Вопросы с несколькими переходами | 31.8% | **36.3%** | 17.0% | | **ALFWorld** | Текстовая игра (планирование) | **71%** | 10% | 13% | | **WebShop** | Веб-навигация | **40%** | \- | 30.1% | Результаты ReAct по сравнению с базовыми методами на ключевых бенчмарках[\[1\]](https://systems-analysis.info/wiki/ReAct_Prompting#cite_note-yao2022react-1) - В задачах, требующих **проверки фактов** (FEVER), ReAct значительно превосходит CoT, так как может верифицировать информацию. - В задачах на **интерактивное планирование** (ALFWorld, WebShop), ReAct демонстрирует огромное преимущество, так как может адаптироваться к меняющейся среде. - В задачах на **чистое рассуждение** (HotpotQA), CoT может показывать сопоставимые или даже лучшие результаты. Однако гибридный подход **ReAct+CoT** показал наилучшую производительность, достигнув 35% в HotpotQA[\[1\]](https://systems-analysis.info/wiki/ReAct_Prompting#cite_note-yao2022react-1). ## Критика и ограничения Несмотря на свою эффективность, ReAct имеет ряд ограничений и уязвимостей. - **«Хрупкость» (Brittleness)**: Позднейшие исследования показали, что успех ReAct может быть связан не столько с подлинной синергией рассуждения и действия, сколько с **синтаксическим сходством** между примерами в промпте и текущей задачей. Модель может следовать шаблону \`Thought-Action-Observation\`, не в полной мере понимая семантику рассуждений[\[3\]](https://systems-analysis.info/wiki/ReAct_Prompting#cite_note-verma2024brittle-3). - **Вычислительные издержки**: Каждый цикл ReAct требует как минимум одного вызова LLM и одного обращения к внешнему инструменту, что делает его медленным и дорогостоящим по сравнению со стандартным промптингом. - **Зависимость от инструментов**: Эффективность агента напрямую зависит от качества и надежности доступных инструментов. Некорректный или зашумленный ответ от API может направить рассуждения модели по ложному пути. ## Значение и дальнейшее развитие ReAct стал важной вехой в развитии ИИ, ознаменовав переход от **генеративных систем** к **агентным системам**. Он заложил концептуальный и практический фундамент для большинства современных фреймворков для создания агентов, таких как: - **[LangChain](https://systems-analysis.info/wiki/LangChain "LangChain")** - **LlamaIndex** - **AutoGen** Идеи ReAct послужили отправной точкой для более сложных архитектур рассуждений, таких как **Reflexion** (добавляет цикл саморефлексии после неудач) и **Tree of Thoughts (ToT)** (исследует несколько путей рассуждения параллельно). ## См. также - [Function Calling](https://systems-analysis.info/wiki/Function_Calling "Function Calling") - [Основные приёмы Prompt Engineering](https://systems-analysis.info/wiki/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D0%BD%D1%8B%D0%B5_%D0%BF%D1%80%D0%B8%D1%91%D0%BC%D1%8B_Prompt_Engineering "Основные приёмы Prompt Engineering") - [Chain-of-Thought Prompting](https://systems-analysis.info/wiki/Chain-of-Thought_Prompting "Chain-of-Thought Prompting") - [Generated Knowledge Prompting](https://systems-analysis.info/wiki/Generated_Knowledge_Prompting "Generated Knowledge Prompting") - [Least-to-Most Prompting](https://systems-analysis.info/wiki/Least-to-Most_Prompting "Least-to-Most Prompting") ## Ссылки - Официальная страница проекта ReAct - Описание ReAct в руководстве Learn Prompting - Google Research (2022). *ReAct: Synergizing Reasoning and Acting in Language Models* (blog post). Google Research Blog. ## Литература - 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. ## Примечания 1. ↑ [1,0](https://systems-analysis.info/wiki/ReAct_Prompting#cite_ref-yao2022react_1-0) [1,1](https://systems-analysis.info/wiki/ReAct_Prompting#cite_ref-yao2022react_1-1) [1,2](https://systems-analysis.info/wiki/ReAct_Prompting#cite_ref-yao2022react_1-2) [1,3](https://systems-analysis.info/wiki/ReAct_Prompting#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/wiki/ReAct_Prompting#cite_ref-googleblog-react_2-0) [2,1](https://systems-analysis.info/wiki/ReAct_Prompting#cite_ref-googleblog-react_2-1) «ReAct: Synergizing Reasoning and Acting in Language Models». *Google Research Blog*. [2] 3. [↑](https://systems-analysis.info/wiki/ReAct_Prompting#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]