मुख्य सामग्री पर जाएँ
Zubnet AI › सीखें › Wiki › ReAct
AI उपयोग

ReAct

इसे भी कहा जाता है: Reason + Act, Reasoning and Acting
एक agent pattern जिसमें model बारी-बारी से सोचता है कि क्या करना है, किसी tool से action लेता है और नतीजा पढ़ता है।

यह क्यों मायने रखता है

ReAct लगभग हर LLM agent का conceptual blueprint है। जब कोई coding agent एक file पढ़ता है, तय करता है कि क्या बदलना है, tests चलाता है और अपनी योजना बदलता है, तो वह ReAct loop ही है। LangChain जैसे frameworks ने इसे शुरुआत में ही लोकप्रिय बना दिया, और आज यह native tool calling वाले models के काम करने के ढंग में ही शामिल है।

इस pattern ने सादे prompting की दो बड़ी कमज़ोरियाँ भी दूर कीं। अकेला chain of thought facts को hallucinate कर सकता है, क्योंकि model के पास जाँचने के लिए कुछ नहीं होता। बिना reasoning के अकेला action अक्सर बेदिशा होता है, क्योंकि model न योजना बनाता है, न यह सोचता है कि उसने क्या सीखा। दोनों को जोड़ने से दोनों समस्याएँ काफ़ी हद तक ठीक हो गईं।

गहन अध्ययन

ReAct, Princeton और Google के Shunyu Yao और उनके साथियों के 2022 के paper से आया है। विचार सीधा है: model से या तो सोचवाने (chain of thought) या काम करवाने (tools call करना) के बजाय, उससे एक loop में दोनों करवाइए। Model एक thought लिखता है ("मुझे पता करना है कि यह कंपनी कब बनी थी"), एक action लेता है (उसे search करता है), एक observation पाता है (search का नतीजा), और फिर उस नई जानकारी के साथ दोबारा सोचता है। Loop तब तक चलता है जब तक model तय न कर ले कि उसके पास जवाब है।

सोच actions को दिशा देती है, और actions के नतीजे सोच को असली जानकारी से जोड़े रखते हैं।

मूल format

शुरुआती version पूरी तरह prompting था। Model को इस तरह के text के examples दिखाए जाते थे:

Thought: I need to search for X.
Action: Search[X]
Observation: (result inserted by the program)
Thought: The result says ..., so next I should ...

बाहर का program हर Action line को parse करता, tool चलाता और नतीजे को Observation के रूप में वापस चिपका देता। इसीलिए यह उन models के साथ भी चला जिनमें tools का कोई खास support नहीं था।

आज का ReAct

Modern models यह काम natively करते हैं। Free-text वाली Action: lines की जगह वे structured function calls निकालते हैं, और API tool के नतीजे अलग से तय messages में लौटाता है। Reasoning models अक्सर अपना "thought" वाला कदम किसी छिपे या अलग reasoning channel में करते हैं। Format बदल गया, लेकिन loop वही है: reason, act, observe, repeat।

खूबियाँ और कमज़ोरियाँ

ReAct flexible है: model हर कदम पर फ़ैसला लेता है, इसलिए वह अचानक आई स्थितियों के हिसाब से ढल जाता है। यही flexibility इसे महंगा और कभी-कभी कम भरोसेमंद बनाती है। हर कदम एक और model call है, लंबे loops में गलतियाँ जुड़ती जाती हैं, और agent एक ही action दोहराते हुए अटक सकता है। विकल्पों में plan-and-execute (पहले पूरी योजना बनाओ, फिर चलाओ) और ऐसे workflows शामिल हैं जहाँ steps को code चलाता है और model सिर्फ़ खास हिस्से भरता है।

ReAct agents को कामयाब बनाना

  • Tools को साफ़ नाम, साफ़ descriptions और छोटे outputs दीजिए।
  • Iterations की संख्या और कुल लागत पर सीमा लगाइए।
  • Errors को काम की observations के रूप में लौटाइए ("file नहीं मिली, क्या आपका मतलब ... था?"), ताकि model संभल सके।
  • हर thought, action और observation को log कीजिए। जब agent गड़बड़ करता है, तो trace दिखाता है कि कहाँ।
← सभी शब्द
ESC