O altă săptămână, o altă tendință AI luminează linia de timp. De data aceasta, este ReAct (nope, nu JavaScript-ul pe care îl cunoașteți deja și îl iubiți). Un model care face zgomot serios în lumea agenților AI. Gândirea + acțiunea Inițial introdus în 2022 (care este practic vechi în anii AI), modelul ReAct este brusc peste tot - și pentru un motiv bun ... Urmăriți-l pe măsură ce dezvăluim ce este, cum funcționează și cum să-l implementați în propriul flux de lucru agentic. Scared of the AI wave? 🌊 Nah. It’s time to Re-Act! Ce este ReAct Design Pattern? S-ar putea să te gândești” „sau poate” ” Ugh... un alt articol React în 2025? Nu am vorbit despre asta de... un deceniu? Desigur, știu React design patterns! We're talking about a different kind of ReAct here! În lumea lui AI, - care vine de la "Rezonare" + "Acționare" - este un model de proiectare în care LLM-urile combină raționamentul și acțiunea pentru a rezolva sarcinile complexe mai eficient sau pentru a produce rezultate mai adaptabile și mai precise. Reacţie Haideți să-l rupem cu o analogie delicioasă! Să presupunem că construiți un bucătar robot AI    . Dacă spuneți doar "faceți un sandwich", un sistem AI de bază ar putea cere un LLM pentru instrucțiuni și să returneze o rețetă statică. Dar a Un joc cu totul diferit!În primul rând. „Așteaptă – ce fel de sandwich? am ingredientele? unde este pâinea?” : deschide frigiderul, ia ceea ce are nevoie, felii, stivele și voilà – BLT complet! ReAct-powered agent reasons acts Astfel, ReAct nu răspunde doar. şi Pas cu pas, pas cu pas. Gândeşte şi planuri, să execute. Acest model a fost introdus pentru prima dată în documentul din 2022”. Și explodează în 2025 ca coloana vertebrală a agenților moderni AI și agenți agenți RAG. ReAct: sinergizarea raționamentului și a acțiunii în modelele lingvistice ReAct: sinergizarea raționamentului și a acțiunii în modelele lingvistice Acum, cum este posibil și cum funcționează de fapt acest model de proiectare? ReAct Origins: Cum o lucrare din 2022 a declanșat o revoluție a fluxului de lucru AI Până la sfârșitul anului 2022, în O carte bazată pe această idee: ReAct: sinergizarea raționamentului și a acțiunii în modelele lingvistice 
 
 Abilitățile de raționament (de exemplu, stimularea lanțului de gândire) și de acțiune (de exemplu, generarea unui plan de acțiune) au fost studiate în primul rând ca subiecte separate. [Aici, vom] explora utilizarea LLM-urilor pentru a genera atât urme de raționament, cât și acțiuni specifice sarcinii într-un mod interleaved ... " Abilitățile de raționament (de exemplu, stimularea lanțului de gândire) și de acțiune (de exemplu, generarea unui plan de acțiune) au fost studiate în primul rând ca subiecte separate. [Aici, vom] explora utilizarea LLM-urilor pentru a genera atât urme de raționament, cât și acțiuni specifice sarcinii într-un mod interleaved ... " Cu alte cuvinte:  +  = 💥. La acea vreme, LLM-urile erau în cea mai mare parte asistentele creierului – generând text, răspunzând la întrebări, scriind cod. Până la sfârșitul anului 2022 (yaep, chiar când ChatGPT a fost lansat pe 30 noiembrie), dezvoltatorii au început să conecteze LLM-urile în fluxuri de lucru software reale. Schimbarea Rapid forward to today: bun venit în – sisteme autonome care raportează, iau măsuri, se auto-corectează și fac lucruri. Vârsta agenților În această nouă , modelul ReAct – odată doar o idee academică curată – este acum unul dintre cele mai Chiar și IBM menționează ReAct ca un bloc de bază pentru fluxurile de lucru ale agenților RAG: Era „agentului” Cele mai comune arhitecturi Bine, așa că ReAct vine din trecut ... dar modelează viitorul. Acum săriți în DeLorean (88 MPH, baby! ⚡) - ne îndreptăm înapoi în viitor pentru a vedea cum funcționează acest model în practică și cum să-l implementăm. React aplicat la fluxurile de lucru moderne agentic AI Gândiți-vă la reacție ca la MacGyver din AI În loc să scuipați un răspuns ca LLM-ul dvs. tipic, sistemele ReAct , Şi apoi Nu este magie – este atunci când raționamentul în lanț se întâlnește cu acțiunea din lumea reală. Gândeşte actului Gândește din nou În special, un agent ReAct se bazează pe o cu loop: Think 🤔 → Act 🛠️ → Observe 🔍 → Repeat 🔁 
 
 
 
 Reasoning (Gândiți-vă 🤔): Începeți cu o invitație cum ar fi „Planificați o excursie de weekend la NYC.” Agentul generează gânduri: „Am nevoie de zboruri, un hotel și o listă de atracții.” Selecția acțiunii (Act ️): Pe baza raționamentului său, agentul alege un instrument (de exemplu, prin intermediul unei integrări MCP) - de exemplu, un API pentru căutarea zborurilor - și îl execută. Observație (Observație ): Instrumentul returnează date (de exemplu, opțiuni de zbor). Acest lucru este alimentat înapoi la agent, care îl încorporează în următorul pas de raționament. Agentul folosește gânduri noi pentru a selecta un alt instrument (de exemplu, căutarea hotelului), obține mai multe date, își actualizează raționamentul - toate într-o buclă de nivel superior. Loop (Repeat 🔁) You can picture that thinking of a “while not done” loop. At each iteration, the agent: 
 
 
 
 
 
 Creează un nou pas de raționament. Selectează cel mai bun instrument pentru sarcină. Execută acțiunea . Parsează rezultatul Verifică dacă obiectivul este atins. Acest ciclu continuă până când se atinge un răspuns final sau o stare țintă. Cum să implementați ReAct Deci, doriți să puneți ReAct în acțiune cu agenții din lumea reală? Spectacolul începe cu o (în Acest agent de nivel superior, alimentat de LLM de alegere, delegă cererea inițială la un dedicat . Orchestrator Agent CrewAI sau un cadru similar Agentul rațional pe În loc să se grăbească, Instrucțiunea inițială intră într-o listă precisă de pași acționabili sau sub-tasks. Reasoning Agent rupe în jos Aceste sarcini sunt încredinţate unui Acesta este locul în care cauciucul întâlnește drumul!Acest agent este instrumentul dvs., integrat direct cu un server MCP (pentru a accesa date externe sau instrumente cum ar fi scraperele web sau bazele de date) sau pentru a comunica cu Este îndeplinită cu adevărat acţiunile necesare. Acting Agent Alți agenți specializați prin intermediul protocoalelor A2A Performanţă Rezultatele acestor acţiuni nu sunt ignorate. ele sunt hrănite cu un Acest agent examinează rezultatul, hotărând dacă sarcina este completă și satisfăcătoare sau dacă sunt necesare mai multe etape. Observing Agent Această continuă Ciclul se desfăşoară până la declară rezultatul „pregătit”, trimiţând rezultatul final înapoi la care îl va trimite apoi cercetătorului. Reasoning -> Acting -> Observing Agentul de observare Agentul de orchestră După cum puteți vedea, cel mai simplu mod de a aduce ReAct la viață este cu o setare cu mai mulți agenți! scoateți-l cu un singur, simplu, mini agent, de asemenea. Doar verificați exemplul din videoclipul de mai jos: poate https://www.youtube.com/watch?v=pEMhPBQMNjg&embedable=true ReAct vs. fluxurile de lucru „normale” ale AI 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Aspect 
 "Regular" AI Workflow 
 ReAct-Powered AI Workflow 
 
 
 
 
 Core Process 
 Direct generation; single inference pass 
 Iterative "Reasoning + Acting" loop; step-by-step thinking and execution 
 
 
 
 
 External interaction 
 May be limited to no external tool use 
 Actively leverages tools 
 
 
 
 
 Adaptability 
 Less adaptable; relies on training data. 
 Highly adaptable; refines strategy based on real-time feedback. 
 
 
 
 
 Problem solving 
 Best for straightforward, single-turn tasks. 
 Excels at complex, multi-step problems requiring external info and dynamic solutions 
 
 
 
 
 Feedback Loop 
 Generally no explicit feedback for self-correction 
 Explicit real-time feedback loop to refine reasoning and adjust actions 
 
 
 
 
 Transparency 
 Often a black box; hard to trace logic. 
 High visibility; explicit Chain-of-Thought and sequential actions show reasoning and output at each step 
 
 
 
 
     Use case fit 
 Simple Q&A, content generation 
 Complex tasks: trip planning, research, multi-tool workflows 
 
 
 
 
 Implementation 
 Simple; requires AI chat integrations 
 Complex; requires loop logic, tool integration, and might involve a multi-agent architecture Core Process Generare directă; Single Inference Pass Ciclul iterativ „Rezonarea + Acțiunea”; gândirea și executarea pas cu pas External interaction Poate fi limitat la nici o utilizare externă a instrumentelor Folosește activ instrumentele Adaptability Mai puțin adaptabil; se bazează pe date de formare. Foarte adaptabil; perfecționează strategia bazată pe feedback-ul în timp real. Problem solving Cel mai bun pentru sarcini simple, cu o singură întorsătură. Excelează în problemele complexe, în mai multe etape, care necesită informații externe și soluții dinamice Feedback Loop În general, nu există feedback explicit pentru auto-corecție Lumina de feedback explicită în timp real pentru a rafinat raționamentul și a ajusta acțiunile Transparency Adesea o cutie neagră; greu de urmărit logica. Vizibilitate ridicată; acțiuni explicite în lanț de gândire și secvențiale arată raționamentul și rezultatul la fiecare pas     Use case fit Simplu Q&A, generarea de conținut Sarcini complexe: planificarea călătoriei, cercetare, fluxuri de lucru cu mai multe instrumente Implementation Simplu; necesită integrări AI chat Complex; necesită logica buclei, integrarea instrumentelor și poate implica o arhitectură cu mai mulți agenți Pro și contra Gândește, acționează, învață și corectează cursul în zbor. Excelă în sarcinile complexe, în mai multe etape care necesită informații externe Integrare cu instrumente utile și surse de date externe. Vedeți fiecare gând și acțiune, făcând debugging-ul o furtună. 👍 Super accurate and adaptable 👍 Handles gnarly problems 👍 External tool power 👍 Transparent and debuggable Mai multe piese în mișcare înseamnă mai mult de proiectat și gestionat. Curbele iterative, apelurile externe și orchestrarea peste cap pot face ca taxele generale să fie mai mari și răspunsurile să fie mai lente (acesta este costul de a plăti pentru mai multă putere și precizie). 👎 Increased complexity 👎 Higher latency and calls Ce aveți nevoie pentru a stăpâni React Să fim reali – fără instrumentele potrivite, un agent ReAct nu este mult mai puternic decât orice alt flux de lucru AI de tip run-of-the-mill. At Bright Data, we’ve seen the pain of connecting AI agents to meaningful tools. So, we’ve built an entire infrastructure to fix that. No matter how you design your agents, we’ve got them covered: 
 
 
 
 
 Pachete de date: seturi de date curate, în timp real, gata de AI, perfecte pentru fluxurile de lucru RAG. Serverele MCP: servere gata de AI încărcate cu instrumente pentru analizarea datelor, controlul browserului, conversia formatului și multe altele. ️ API-uri SERP: Căutați API-uri pe care LLM-urile dvs. le pot utiliza pentru rezultate web proaspete și exacte - construite pentru conducte RAG. Browsere de agenți: browsere controlate de AI care pot șterge web-ul, pot evita interdicțiile IP, pot rezolva CAPTCHAs și pot continua. ️ Serverele MCP ...Și acest set de instrumente se extinde în mod constant. 
 
 ➡️ Aruncați o privire la ce infrastructura AI & BI a Bright Data poate debloca pentru agenții de generație următoare. ➡️ Take a look at what   can unlock for your next-gen agents. Bright Data’s AI & BI infrastructure Infrastructura AI & BI a Bright Data [Extra] The ReAct Cheat Sheet Există o mulțime de buzz (și confuzie) în jurul termenului "ReAct" - mai ales că mai multe echipe îl folosesc în contexte diferite. Deci, aici este un glosar non-fluff pentru a vă ajuta să păstrați totul drept: 
 
 
 
 
 
 Un agent gândește mai întâi (ca un raționament în lanț), apoi acționează (ca o căutare pe web) și, în cele din urmă, oferă un răspuns rafinat. "ReAct prompting": O tehnică de prompt-engineering care împinge LLM-urile să-și arate procesul de raționament pas cu pas și să ia măsuri în mijlocul gândirii. „ReAct agentic pattern”: Doar un alt nume pentru a spune „ReAct design pattern”. „Agent ReAct”: orice agent AI care urmează ciclul ReAct. Acesta raportează despre sarcină, efectuează acțiuni bazate pe acest raționament (cum ar fi apelarea unui instrument) și returnează răspunsul. „Framework-ul agentului ReAct”: Arhitectura (sau biblioteca) pe care ar trebui să o utilizați pentru a construi agenți în stilul ReAct. Vă ajută să implementați întreaga logică „reason-act-answer” în sistemele dvs. personalizate AI. Gânduri finale Acum aveți cunoștința despre ceea ce înseamnă ReAct în domeniul AI – mai ales când vine vorba de agenții AI. Ați văzut de unde a venit acest model de proiectare, ce aduce la masă și cum să-l implementați efectiv pentru a vă alimenta fluxurile de lucru ale agenților. După cum am explorat, aducerea acestor fluxuri de lucru de generație următoare la viață devine mai ușoară atunci când aveți infrastructura și lanțul de instrumente AI potrivite pentru a vă susține agenții. La Bright Data, misiunea noastră este simplă: să facem AI mai ușor de utilizat, mai puternic și mai accesibil pentru toată lumea, oriunde.  Până data viitoare, rămâneți curioși, rămâneți curajoși și continuați să construiți viitorul AI.

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

This writer has a vested interest be it monetary, business, or otherwise, with 1 or more of the products or companies mentioned within.

2022 - HackerNoon Contributor of the Year - Amazon

Request Your Own Data

Nominated for 2022 - HackerNoon Contributor of the Year - Amazon

Acest audio este produs în limba originală a poveștii!

În interiorul modelului de proiectare ReAct: Cum gândește și acționează AI modernă

About Author

COMENTARII

Etichete suspendate

ACEST ARTICOL A FOST PREZENTAT IN

Related Stories

Can Bitcoin Hit 1 Million Dollars?

The Spacecoin Writing Contest by Spacecoin and HackerNoon: Round 1 Results 🎉

The World is Finally Ready for a New Internet

How Soon Can Google Investors Make Bank?

Can Bitcoin Hit 1 Million Dollars?

The Spacecoin Writing Contest by Spacecoin and HackerNoon: Round 1 Results 🎉

The World is Finally Ready for a New Internet

How Soon Can Google Investors Make Bank?

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps