Saltar al contenido principal
Zubnet AI › Aprender › Wiki › ReAct
Usar AI

ReAct

También conocido como: Reason + Act, Razonar y actuar
Un patrón de agente en el que un modelo alterna entre razonar sobre qué hacer, actuar con una herramienta y leer el resultado.

Por qué importa

ReAct es el plano conceptual de casi todos los agentes basados en LLM. Cuando un agente de codificación lee un archivo, decide qué cambiar, ejecuta los tests y ajusta su plan, eso es el bucle ReAct. Frameworks como LangChain lo popularizaron pronto, y hoy forma parte de cómo funcionan los modelos con llamada a herramientas nativa.

El patrón también atacó dos grandes debilidades del prompting simple. La cadena de pensamiento sola puede alucinar hechos, porque el modelo no tiene contra qué comprobar. Actuar sin razonar tiende a ser errático, porque el modelo no planifica ni reflexiona sobre lo que aprendió. Combinarlos resolvió buena parte de ambos problemas.

En profundidad

ReAct viene de un artículo de 2022 de Shunyu Yao y sus colegas de Princeton y Google. La idea es sencilla: en lugar de hacer que un modelo piense (cadena de pensamiento) o que actúe (llame a herramientas), se le deja hacer las dos cosas en un bucle. El modelo escribe un pensamiento («necesito averiguar cuándo se fundó esta empresa»), ejecuta una acción (buscarlo), recibe una observación (el resultado de la búsqueda) y vuelve a pensar con esa información nueva. El bucle se repite hasta que el modelo decide que tiene la respuesta.

El pensamiento guía las acciones, y los resultados de las acciones anclan el pensamiento en información real.

El formato original

La primera versión era puro prompting. Al modelo se le mostraban ejemplos de texto como:

Thought: I need to search for X.
Action: Search[X]
Observation: (resultado insertado por el programa)
Thought: The result says ..., so next I should ...

El programa que lo rodeaba analizaba cada línea Action, ejecutaba la herramienta y pegaba el resultado de vuelta como una Observation. Por eso funcionaba incluso con modelos sin soporte especial para herramientas.

ReAct hoy

Los modelos modernos manejan esto de forma nativa. En lugar de líneas Action: en texto libre, emiten llamadas a funciones estructuradas, y la API devuelve los resultados de las herramientas en mensajes dedicados. Los modelos de razonamiento suelen hacer su paso de «pensamiento» en un canal de razonamiento oculto o separado. El formato cambió, pero el bucle es el mismo: razonar, actuar, observar, repetir.

Fortalezas y debilidades

ReAct es flexible: el modelo decide paso a paso, así que se adapta a las sorpresas. Esa misma flexibilidad lo hace costoso y a veces poco fiable. Cada paso es otra llamada al modelo, los errores se acumulan en los bucles largos y un agente puede quedarse atascado repitiendo la misma acción. Entre las alternativas están el plan-and-execute (hacer primero un plan completo y después ejecutarlo) y los flujos de trabajo en los que el código controla los pasos y el modelo solo completa partes concretas.

Cómo hacer que los agentes ReAct funcionen

  • Dales a las herramientas nombres claros, descripciones claras y salidas compactas.
  • Limita el número de iteraciones y el costo total.
  • Devuelve los errores como observaciones útiles («archivo no encontrado, ¿quisiste decir ...?») para que el modelo pueda recuperarse.
  • Registra cada pensamiento, acción y observación. Cuando un agente se desvía, la traza muestra dónde.
← Todos los términos
ESC