¿Qué es un agente ReAct?

Un agente ReAct es un Agente AI que usa la RAZÓN y ACCIÓN (reasoning and actiong) ReAct Framework . Para combinar el razonamiento en cadena de pensamiento (cdp) esto gracias al uso de herramientas externas. Este marco ReAct mejorar la capacidad de un LLM modelo de lenguaje para gestionar tareas complejas y la toma de desiciones en flujo de trabajos de agentes.

¿Como funcionan?

Funcionan tomando como ejemplo la forma en que los seres humanos podemos usar intuitivamente el lenguaje natural. A menudo a través de nuestro propio monologo o voz interior, en la planificación y la ejecución paso a paso de tareas complejas.

En lugar de implementar flujos de trabajo basado en reglas predefinidas . El ReAct Framework se basan en la capacidad de razonamiento de su LLM para ajustar dinámicamente su enfoque en funcion de la nueva información o los resultados de pasos anteriores.

Ejemplos

Imagina preparar el equipaje para un viaje corto. Podrías empezar por identificar las consideraciones clave (“ ¿Qué tiempo hará durante mi estancia? ”) y luego consultar activamente fuentes externas (“ Consultaré el pronóstico del tiempo local ”)

Con esa nueva información (“ Va a hacer frío ”), determinarás tu siguiente consideración (“ ¿Qué ropa de abrigo tengo? ”) y acción (“ Revisaré mi armario ”). Al realizar esa acción, podrías encontrarte con un obstáculo inesperado (“ Toda mi ropa de abrigo está guardada ”) y ajustar tu siguiente paso en consecuencia (“ ¿Qué ropa puedo ponerme en capas? ”).

Otro ejemplo aún mas sencillo que todos pueden probar ahora mismo.

Vamos a ChatGPT y usemos el model GPT-4o

Hacemos la misma pregunta en dos hilos de chat diferentes:

Primer chat :

“Calculate the total cost if I buy 3 laptops at $899 each with a 15% discount and 8% sales tax, Only return the answer”

Correct answer: Usando una calculadora, la respuesta a la pregunta es $2475.85

Indicamos explicitamente al modelo que simplemente devuelva la respuesta

Segundo Chat:

En este segundo chat, chatGPT recibe un mensaje basado en ReAct, con instrucciones para pensar paso a paso.

Prompt : ”Calcula el costo total si compro 3 computadoras portátiles a $899 cada una con un 15% de descuento y 8% de impuesto sobre las ventas”.

Como se puede ver en el primer chat, sin la solicitud ReAct, GPT-4o devuelve un resultado alucinado

Mientras en el segundo chat, GPT-4o lo hace bien.

En muchos agentes con los que interactuas, el enfoque ReAct esta integrado en el mensaje del sistema del modelo.

Que son instrucciones ocultas que le dicen al modelo como comportarse a lo largo de todas las conversaciones.

Es por esto que la mayoría de las veces no es necesario solicitar explícitamente a las herramientas de agencia un mensaje de estilo ReAct.

Sin embargo, hay una nota importante: el marco ReAct framework es especialmente util en modelos de lenguaje como la serie de modelos GPT.

Los modelos de razonamiento de nueva generacion han sido entrenados explicitamente para pensar paso a paso, por lo que son especialmente utiles para casos de uso de agentes.

Para estos modelos, no es necesario aplicar indicaciones de estilo ReAct.

Ejemplo de modelos de razonamiento:

• openAI o-series models
• DeepSeek R-series of models
• Gemini thinking models

Si no esta seguro de si un modelo es un modelo de razonamiento o no, puedes detectarlo por si muestra rastros de pensamiento cuando responde.

Ejemplo:

Prompt 1:

Our Q3 revenue was $847,000. We spent 23% on salaries, 15% on marketing, and had a one-time equipment purchase of $45,000. What was our net profit? Only return the answer

Answer:

$480,140

Prompt 2 (ReAct-style):

Our Q3 revenue was $847,000. We spent 23% on salaries, 15% on marketing, and had a one-time equipment purchase of $45,000. What was our net profit?

Please solve this step-by-step using this format: Thought: [What you need to calculate] Action: [The calculation] Observation: [The result] Continue until you reach the final answer.