ReAct
Pourquoi c'est important
ReAct est le plan conceptuel de presque tous les agents à base de LLM. Quand un agent de codage lit un fichier, décide quoi changer, lance les tests et ajuste son plan, c'est la boucle ReAct. Des frameworks comme LangChain l'ont popularisée très tôt, et elle est aujourd'hui intégrée au fonctionnement des modèles dotés de l'appel d'outils natif.
Ce schéma a aussi répondu à deux grandes faiblesses du prompting simple. La chaîne de pensée seule peut halluciner des faits, car le modèle n'a rien pour vérifier. L'action seule, sans raisonnement, a tendance à partir dans tous les sens, car le modèle ne planifie pas et ne tire pas de leçons de ce qu'il apprend. Combiner les deux a corrigé une bonne part de ces défauts.
En profondeur
ReAct vient d'un article de 2022 de Shunyu Yao et de ses collègues de Princeton et de Google. L'idée est simple : au lieu de faire soit réfléchir un modèle (chaîne de pensée), soit le faire agir (appeler des outils), on le laisse faire les deux en boucle. Le modèle écrit une pensée (« je dois trouver quand cette entreprise a été fondée »), effectue une action (lancer la recherche), reçoit une observation (le résultat de la recherche), puis réfléchit à nouveau avec cette information. La boucle se répète jusqu'à ce que le modèle estime avoir la réponse.
La réflexion guide les actions, et les résultats des actions ancrent la réflexion dans des informations réelles.
Le format d'origine
La première version relevait du pur prompting. On montrait au modèle des exemples de texte comme :
Thought: I need to search for X.
Action: Search[X]
Observation: (résultat inséré par le programme)
Thought: The result says ..., so next I should ...
Le programme autour analysait chaque ligne Action, exécutait l'outil et recollait le résultat sous forme d'Observation. C'est pourquoi cela fonctionnait même avec des modèles sans prise en charge particulière des outils.
ReAct aujourd'hui
Les modèles modernes gèrent cela nativement. Au lieu de lignes Action: en texte libre, ils émettent des appels de fonction structurés, et l'API renvoie les résultats des outils dans des messages dédiés. Les modèles de raisonnement font souvent leur étape de « pensée » dans un canal de raisonnement caché ou séparé. Le format a changé, mais la boucle est la même : raisonner, agir, observer, recommencer.
Forces et faiblesses
ReAct est flexible : le modèle décide pas à pas, donc il s'adapte aux surprises. Cette même flexibilité le rend coûteux et parfois peu fiable. Chaque étape est un appel de plus au modèle, les erreurs se cumulent sur les longues boucles, et un agent peut rester bloqué à répéter la même action. Parmi les alternatives : le plan-and-execute (faire un plan complet d'abord, puis l'exécuter), et les workflows où le code contrôle les étapes et où le modèle ne remplit que des parties précises.
Faire fonctionner des agents ReAct
- Donnez aux outils des noms clairs, des descriptions claires et des sorties compactes.
- Plafonnez le nombre d'itérations et le coût total.
- Renvoyez les erreurs sous forme d'observations utiles (« fichier introuvable, vouliez-vous dire ... ? ») pour que le modèle puisse se rattraper.
- Journalisez chaque pensée, action et observation. Quand un agent déraille, la trace montre où.