En anden uge lyser en anden AI-trend op på tidslinjen. Denne gang er det ReAct (nope, ikke den JavaScript, du allerede kender og elsker). Et mønster, der gør alvorlig støj i verden af AI-agenter. Forståelse + handling Oprindeligt introduceret tilbage i 2022 (som er praktisk taget gammel i AI-årene), er ReAct-mønsteret pludselig overalt - og med god grund ... Følg med, når vi afpakker, hvad det er, hvordan det fungerer, og hvordan man implementerer det i din egen agentiske arbejdsproces. Er du bange for AI-bølgen?  Nah. Det er tid til at re-act! Hvad er ReAct Design Pattern? Du tænker måske, ” ”Og måske” ” Ugh... en anden React-artikel i 2025? har vi ikke talt om dette i et årti? er dette React... men for AI nu? Jeg ved godt, at jeg kender React design mønstre! Hold op! We're talking about a different kind of ReAct here! I verden af AI, - som kommer fra "Reasoning" + "Acting" - er et designmønster, hvor LLMs kombinerer begrundelse og handling for at løse komplekse opgaver mere effektivt eller producere mere tilpasningsdygtige og nøjagtige resultater. Reagerer 👇 Let’s break it down with a tasty analogy! 👇 Hvis du bare siger "gør en sandwich", kan et grundlæggende AI-system bede en LLM om instruktioner og returnere en statisk opskrift. Men a Helt anderledes spil! først, det “Vent – hvilken slags sandwich? har jeg ingredienserne? hvor er brødet?” : åbner køleskabet, griber det, det har brug for, skiver, stakke, og voilà - BLT færdig! ReAct-powered agent reasons acts React svarer ikke bare. og Løbet. tænker og planlægger, De udfører. Det mønster blev først introduceret i 2022 papir " ”Og det er ved at eksplodere i 2025 som rygsøjlen i moderne agent AI og agent RAG-baserede agenter. ReAct: Synergiserende ræsonnement og handling i sprogmodeller ReAct: Synergiserende ræsonnement og handling i sprogmodeller Nu, hvordan er det muligt, og hvordan fungerer dette design mønster rent faktisk? ReAct Origins: Hvordan et 2022-papir sparkede en AI-arbejdsprocesrevolution Tilbage i slutningen af 2022, den Bogen er baseret på denne idé: ReAct: Synergiserende ræsonnement og handling i sprogmodeller 
 
 "[LLMs] evner til at begrunde (f.eks. kæde-of-tænkning opfordring) og handle (f.eks. handlingsplan generation) er primært blevet studeret som separate emner. [Her, vi] udforske brugen af LLMs til at generere både begrundelse spor og opgave-specifikke handlinger i en interleaved måde ..." "[LLMs] evner til at begrunde (f.eks. kæde-of-tænkning opfordring) og handle (f.eks. handlingsplan generation) er primært blevet studeret som separate emner. [Her, vi] udforske brugen af LLMs til at generere både begrundelse spor og opgave-specifikke handlinger i en interleaved måde ..." Med andre ord:  +  = 💥. På det tidspunkt var LLMs for det meste hjernebevidste assistenter - generere tekst, besvare spørgsmål, skrive kode. Ved udgangen af 2022 (yep, lige da ChatGPT blev lanceret den 30. november), begyndte udviklere at kable LLM'er ind i virkelige softwarearbejdsprocesser. Skiftet Hurtig frem til i dag: Velkommen til – autonome systemer, der begrunder, tager handling, selvkorrigerer og får ting gjort. Alder af agenter I denne nye , ReAct mønsteret - engang bare en pænt akademisk idé - er nu en af de Selv IBM nævner ReAct som en kerne byggesten for agentiske RAG-arbejdsprocesser: Den ”agentiske” tidsalder De mest almindelige arkitekturer Okay, så ReAct kommer fra fortiden ... men det former fremtiden. Nu hoppe i DeLorean (88 MPH, baby! ⚡) - vi går tilbage til fremtiden for at se, hvordan dette mønster fungerer i praksis, og hvordan man implementerer det. React anvendt til moderne agentiske AI-arbejdsprocesser Tænk på reaktionen som MacGyver af AI I stedet for bare at spytte ud et svar som din typiske LLM, ReAct systemer , der og derefter Det er ikke magi - det er, når tankekæden møder virkelige handlinger. Tænk Aktion Tænk igen Specifikt er en ReAct agent baseret på en af loop: Think 🤔 → Act 🛠️ → Observe 🔍 → Repeat 🔁 
 
 
 
 Reasoning (Tænk 🤔): Start med en opfordring som "Plan en weekend tur til NYC." Action Selection (Act ️): Baseret på sin begrundelse vælger agenten et værktøj (for eksempel via en MCP-integration) - for eksempel et API til søgning efter flyvninger - og udfører det. Observation (observation ): Værktøjet returnerer data (f.eks. flyafgange). Dette føres tilbage til agenten, som indarbejder det i det næste begrundelsestrin. Agenten bruger nye tanker til at vælge et andet værktøj (f.eks. hotelsøgning), får flere data, opdaterer sin begrundelse – alt sammen inden for en topniveau loop. Loop (Repeat 🔁) Du kan forestille dig, at tænke på en "mens ikke gjort" loop. ved hver iteration, agenten: 
 
 
 
 
 
 Det skaber et nyt ræsonnement. Selects the best tool for the task. udførelse af handlingen. Pars den resultat. Tjek om målet er opfyldt. Denne cyklus fortsætter, indtil en endelig svar eller mål tilstand er nået. Hvordan man implementerer ReAct Så vil du sætte ReAct i aktion med virkelige agenter? The show kicks off with an  (Det er Denne top-level agent, drevet af din LLM af valg, delegerer den oprindelige anmodning til en dedikeret . Orchestrator Agent Think CrewAI eller et lignende system En fornuftig agent Den I stedet for at skynde sig, den oprindelige opfordrer til en præcis liste over handlingsbare trin eller underopgaver. Det er hjernen, omhyggeligt planlægger strategien. Reasoning Agent Bryder ned Disse opgaver overdrages til en Denne agent er din værktøjsleder, der er integreret direkte med en MCP-server (for at få adgang til eksterne data eller værktøjer som webskraber eller databaser) eller kommunikere med Det er en opgave, der rent faktisk de nødvendige foranstaltninger. Acting Agent other specialized agents via A2A protocols Udførelse Resultaterne af disse handlinger ignoreres ikke. De er fodret til en Denne agent kontrollerer resultatet og beslutter, om opgaven er komplet og tilfredsstillende, eller om der er behov for flere trin. Observing Agent Denne fortsatte Cyklen løber indtil erklærer resultatet "klar", og sender det endelige resultat tilbage til som derefter overfører det til efterforskeren. Reasoning -> Acting -> Observing Overvågningsagent Orkesteragent Som du kan se, er den nemmeste måde at bringe ReAct til live med en multi-agent opsætning!  pull it off with a single, simple, mini agent, too. Just check out the example in the video below: kan https://www.youtube.com/watch?v=pEMhPBQMNjg&embedable=true ReAct vs. “regelmæssige” AI-arbejdsprocesser 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Direkte generering: Single inference pass Iterativ "Reasoning + Acting" loop; trin for trin tænkning og udførelse External interaction May be limited to no external tool use Aktivt udnytte værktøjer Adaptability Mindre tilpasningsdygtig; afhænger af træningsdata. Høj tilpasningsevne; forfiner strategi baseret på feedback i realtid. Problem solving Best for straightforward, single-turn tasks. Udmærker sig ved komplekse, flertrinsproblemer, der kræver ekstern information og dynamiske løsninger Feedback Loop Generelt ingen eksplicit feedback til selvkorrektion Eksplicit realtidsfeedback loop til at forfine ræsonnement og justere handlinger Transparency Ofte en sort kasse; svært at spore logik. Høj synlighed; eksplicit Chain-of-Thought og sekventielle handlinger viser begrundelse og output på hvert trin     Use case fit Simple Q&A, indholdsgenerering Komplicerede opgaver: rejseplanlægning, forskning, multi-tool workflows Implementation Enkel; kræver AI chat integrationer Kompleks; kræver loop logik, værktøjsintegration og kan involvere en multi-agent arkitektur Pros og cons Tænker, handler, lærer og kurskorrigerer på flyet. Excel på komplekse, multi-trin opgaver, der kræver ekstern information Integrerer med nyttige værktøjer og eksterne datakilder. Se hver tanke og handling, gør debugging en brise. 👍 Super accurate and adaptable 👍 Handles gnarly problems 👍 External tool power 👍 Transparent and debuggable Flere bevægelige dele betyder mere at designe og styre. Iterative loops, eksterne opkald og orkestrering overhead kan gøre de samlede gebyrer højere og svar langsommere (det er omkostningerne ved at betale for mere strøm og nøjagtighed). 👎 Increased complexity 👎 Higher latency and calls Hvad du behøver for at mestre ReAct Lad os være virkelige – uden de rigtige værktøjer er en ReAct-agent ikke meget mere kraftfuld end nogen anden løbende AI-arbejdsproces. Værktøjer er det, der gør ræsonnement til handling. Hos Bright Data har vi set smerten ved at forbinde AI-agenter til meningsfulde værktøjer. Så vi har bygget en hel infrastruktur for at rette op på det. 
 
 
 
 
 Data Packs: Curated, real-time, AI-ready datasæt perfekt til RAG-arbejdsprocesser. MCP-servere: AI-færdige servere fyldt med værktøjer til dataanalyser, browserkontrol, formatkonvertering og meget mere. ️ SERP API'er: Søg API'er, som dine LLM'er kan bruge til friske, nøjagtige webresultater - bygget til RAG-rørledninger. Agentbrowsere: AI-kontrollerbare browsere, der kan scrape internettet, undgå IP-forbud, løse CAPTCHAs og fortsætte. ️ MCP servere ...Og dette værktøjssæt udvider sig hele tiden. 
 
 ➡️ Tag et kig på, hvad Bright Data's AI & BI-infrastruktur kan låse op for dine næste generations agenter. ➡️ Take a look at what   can unlock for your next-gen agents. Bright Data’s AI & BI infrastructure Bright Data’s AI & BI infrastruktur [Extra] Den ReAct Cheat Sheet Der er meget buzz (og forvirring) omkring udtrykket "ReAct" - især da flere teams bruger det i forskellige sammenhænge. Så her er et no-fluff ordforråd for at hjælpe dig med at holde det hele lige: 
 
 
 
 
 
 "ReAct designmønster": Et AI-mønster, der fusionerer ræsonnement og handling.En agent tænker først (som kæde-of-thought ræsonnement), så handler (som at gøre en web-søgning), og til sidst giver et raffineret svar. "ReAct prompting": En prompt-engineering teknik, der skubber LLMs til at vise deres ræsonnementsproces trin for trin og tage handlinger midt i tanken. Det er designet til at gøre svar mere nøjagtige, gennemsigtige og mindre hallucination-prægede. Læs mere om ReAct prompting. “ReAct agentisk mønster”: Bare et andet navn for at sige “ReAct design mønster.” "ReAct agent": Enhver AI agent, der følger ReAct loop. Det begrunder opgaven, udfører handlinger baseret på den begrundelse (som at ringe til et værktøj), og returnerer svaret. "ReAct agent framework": Den arkitektur (eller bibliotek) du skal bruge til at opbygge ReAct-stil agenter. Det hjælper dig med at implementere hele "grunde-handling-svar" logik i dine brugerdefinerede AI-systemer. Afsluttende tanker Nu har du indsigt i, hvad ReAct betyder i AI-området – især når det kommer til AI-agenter.Du har set, hvor dette designmønster kom fra, hvad det bringer til bordet, og hvordan du rent faktisk implementerer det til at drive dine agentiske arbejdsprocesser. Som vi har undersøgt, bliver det lettere at bringe disse næste generations arbejdsprocesser til live, når du har den rigtige AI-infrastruktur og værktøjskæde til at støtte dine agenter. Hos Bright Data er vores mission enkel: Gør AI mere anvendeligt, mere kraftfuldt og mere tilgængeligt for alle, overalt. indtil næste gang – bliv nysgerrig, bliv modig og fortsæt med at bygge fremtiden for 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

Denne lyd er produceret på historiens originalsprog!

For langt; At læse

Boost your HackerNoon story @ $159.99! 🚀

Inden for ReAct Design Pattern: Hvordan moderne AI tænker og handler

About Author

KOMMENTARER

HÆNG TAGS

DENNE ARTIKEL BLEV PRÆsenterET I

Related Stories

Meet Tailscale: HackerNoon Company of the Week

Meet Timescale: HackerNoon Company of the Week

Meet HubSpot: HackerNoon Company of the Week

Meet Bybit: HackerNoon Company of the Week

Meet Tailscale: HackerNoon Company of the Week

Meet Timescale: HackerNoon Company of the Week

Meet HubSpot: HackerNoon Company of the Week

Meet Bybit: HackerNoon Company of the Week

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps