Još jedan tjedan, još jedan AI trend osvjetljava vremensku liniju. Ovaj put, to je ReAct (nope, a ne JavaScript koji već znate i volite). Pattern koji stvara ozbiljnu buku u svijetu AI agenata. Razumijevanje + djelovanje Prvotno predstavljen 2022. godine (koji je praktički star u AI godinama), ReAct uzorak je odjednom svugdje - i iz dobrog razloga ... Slijedite ga dok raspakiramo što je to, kako to radi i kako ga implementirati u vlastiti agentički radni tijek. Bojite se AI vala?  Nah. Vrijeme je za ponovno djelovanje! Što je ReAct Design Pattern? Možda razmišljate, “ “Ili možda” ” Ugh... još jedan React članak u 2025?Nismo li o tome razgovarali kao... desetljeće?Je li to React... ali za AI sada? Naravno, znam React dizajnerske obrasce! Držite se! We're talking about a different kind of ReAct here! U svijetu onoga što je, - koji dolazi od "Razumiranje" + "Djelovanje" - je dizajn uzorak u kojem LLMs kombiniraju razmatranje i djelovanje za učinkovitije rješavanje složenih zadataka ili proizvode prilagodljivije i točnije rezultate. Reakcija Razbijmo ga s ukusnom analogijom! Recimo da gradite AI robota kuhar    .  Ako samo kažete "napravite sendvič", osnovni AI sustav može zatražiti LLM za upute i vratiti statički recept. Ali a Potpuno drugačija igra! prvo, to je “Čekaj – kakav sendvič? imam li sastojke? gdje je kruh?” : otvara hladnjak, uhvati ono što mu je potrebno, rezove, čepove, i voilà - BLT komplet! ReAct-powered agent reasons acts Dakle, ReAct ne samo da odgovara. i Korak. razmišljanja i planova, i izvršiti. Taj je uzorak prvi put predstavljen u dokumentu iz 2022. godine.” "I to će eksplodirati 2025. godine kao kralježnica suvremenog agencijskog AI-a i agencijskog RAG-a. ReAct: sinergiziranje razmatranja i djelovanja u jezikovnim modelima ReAct: sinergiziranje razmatranja i djelovanja u jezikovnim modelima Sada, kako je to moguće, i kako ovaj dizajnerski uzorak zapravo radi? ReAct Origins: How a 2022 Paper Sparked an AI Workflow Revolution Do kraja 2022. godine, kada je Tekst je izgrađen na ovoj ideji: ReAct: sinergiziranje razmatranja i djelovanja u jezikovnim modelima 
 
 "Sposobnosti [LLM-a] za razmatranje (npr. promicanje lanca misli) i djelovanje (npr. stvaranje akcijskog plana) uglavnom su proučavane kao zasebne teme. [Ovdje] istražujemo korištenje LLM-a za stvaranje i razmatranja i aktivnosti specifičnih za zadatke na međusobno povezan način..." "Sposobnosti [LLM-a] za razmatranje (npr. promicanje lanca misli) i djelovanje (npr. stvaranje akcijskog plana) uglavnom su proučavane kao zasebne teme. [Ovdje] istražujemo korištenje LLM-a za stvaranje i razmatranja i aktivnosti specifičnih za zadatke na međusobno povezan način..." Drugim riječima:  +  = 💥. U to vrijeme, LLM-ovi su uglavnom bili pomoćnici mozga - generirajući tekst, odgovarajući na pitanja, pišući kod. Do kraja 2022. (yep, baš kada je ChatGPT pokrenut 30. studenog), programeri su počeli povezivati LLM-ove u prave softverske tokove rada. Promjena Brzo naprijed do danas: dobrodošli u Autonomni sustavi koji razmatraju, djeluju, korigiraju se i obavljaju stvari. Starost agenata U ovom novom , ReAct uzorak - jednom samo čista akademska ideja - sada je jedan od Čak i IBM spominje ReAct kao temeljni građevinski blok za agentičke RAG radne tokove: AI “agentičko” doba most common architectures U redu, tako da ReAct dolazi iz prošlosti... ali on oblikuje budućnost. Sada uđite u DeLorean (88 MPH, baby! ⚡) – vraćamo se u budućnost kako bismo vidjeli kako ovaj uzorak funkcionira u praksi i kako ga provesti. React primijenjen na suvremene agentičke AI radne tokove Razmislite o reakciji kao MacGyver od AI Umjesto da samo ispljuvati odgovor kao što je vaš tipični LLM, ReAct sustavi , I onda To nije čarolija - to je kada lanac razmišljanja susreće stvarnu akciju. Misliti akt Razmislite ponovno Konkretno, ReAct agent se temelji na Tijekom: Think 🤔 → Act 🛠️ → Observe 🔍 → Repeat 🔁 
 
 
 
 Razmišljanje (mislite 🤔): Počnite s pozivom poput "Planirajte vikend putovanje u NYC." Agent generira misli: "Trebam letove, hotel i popis atrakcija." Odabir akcije (Akt ️): Na temelju svog razmatranja, agent odabire alat (na primjer, putem MCP integracije) - recimo, API za pretraživanje letova - i izvršava ga. Opservacija (Opservacija ): alat vraća podatke (npr. opcije leta). Ovo se vraća agentu, koji ga uključuje u sljedeći korak razmatranja. Agent koristi nove misli za odabir drugog alata (npr. pretraživanje hotela), dobiva više podataka, ažurira svoje razmatranje – sve unutar lanca na vrhu razine. Loop (Repeat 🔁) Možete zamisliti da razmišljanje o krugu "dok nije učinjeno".U svakoj iteraciji, agent: 
 
 
 
 
 
 To je novi korak u razmatranju. Odabire najbolji alat za zadatak. Izvršite akciju . Pročitajte rezultat . Provjerite je li cilj postignut. Ovaj krug se nastavlja sve dok se ne postigne konačni odgovor ili ciljno stanje. Kako provesti reakciju Dakle, želite li staviti ReAct u akciju s agentima u stvarnom svijetu? Predstava je započela s (na primjeru Ovaj agent na najvišoj razini, pohranjen vašim LLM-om po izboru, delegira početni zahtjev posvećenom . Orchestrator Agent CrewAI ili sličan okvir Razumni agenti Naš Umjesto da se žuri, originalni poziv u točan popis djelotvornih koraka ili pod-zadataka.To je mozak, meticulo planiranje strategije. Reasoning Agent Razbijanje dolje Te su zadaće prenesene na Ovaj agent je vaš alat za upravljanje, integriran izravno s MCP poslužiteljem (za pristup vanjskim podacima ili alatima kao što su web skraperi ili baze podataka) ili komuniciranje s To je zadatak s stvarno Potrebne su mjere. Acting Agent Drugi specijalizirani agenti putem A2A protokola Izvođenje Rezultati tih akcija nisu ignorirani. Ovaj agent provjerava ishod, odlučujući je li zadatak potpun i zadovoljavajući, ili ako su potrebni dodatni koraci. Observing Agent Ovaj kontinuirani Ciklusi se nastavljaju sve do objavljuje rezultat "spremno", šalje taj konačni ishod natrag na Nakon toga, on će ga poslati istražitelju. Reasoning -> Acting -> Observing promatrački agent Orkestrski agent Kao što možete vidjeti, najlakši način da se ReAct u životu je s multi-agent postavljanje! Pokušajte ga ukloniti s jednim, jednostavnim, mini agentom, također. može https://www.youtube.com/watch?v=pEMhPBQMNjg&embedable=true ReAct vs. „regularni“ AI tokovi rada 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Izravna generacija; jednosmjerni ulazni prolaz Iterativni krug "Razumijevanje + djelovanje"; korak po korak razmišljanje i izvršenje External interaction Može se ograničiti na korištenje vanjskih alata Aktivno korištenje alata Adaptability Manje prilagodljiv; oslanja se na podatke o osposobljavanju. Vrlo prilagodljiv; rafinira strategiju na temelju povratnih informacija u realnom vremenu. Problem solving Najbolje za jednostavne, jednokratne zadatke. Odlikuje se složenim, višestupanjskim problemima koji zahtijevaju vanjske informacije i dinamična rješenja Feedback Loop Općenito nema eksplicitne povratne informacije za samoregulaciju Izričita povratna informacija u realnom vremenu za rafiniranje razmatranja i prilagođavanje radnji Transparency Often a black box; hard to trace logic. Visoka vidljivost; eksplicitne lančane misli i sekvencijalne akcije pokazuju razmatranje i ishod na svakom koraku     Use case fit Jednostavno Q&A, generacija sadržaja Kompleksi zadaci: planiranje putovanja, istraživanje, tokovi rada s više alata Implementation Jednostavno; zahtijeva AI chat integracije Kompleksno; zahtijeva logiku zavoja, integraciju alata i može uključivati arhitekturu s više agenata Pros i Cons Razmišlja, djeluje, uči i korigira tečaj na putu. Izvrsnost u složenim, višestupanjskim zadatcima koji zahtijevaju vanjske informacije Integrira se s korisnim alatima i vanjskim izvorima podataka. Vidjeti svaku misao i akciju, napraviti debugging vjetar. 👍 Super accurate and adaptable 👍 Handles gnarly problems 👍 External tool power 👍 Transparent and debuggable Više pokretnih dijelova znači više dizajna i upravljanja. Iterativni krugovi, vanjski pozivi i orkestriranje preko glave mogu povećati ukupne naknade i usporiti odgovore (to je trošak plaćanja za više snage i točnosti). 👎 Increased complexity 👎 Higher latency and calls Što je potrebno za Master React Budimo realni – bez pravih alata, ReAct agent nije mnogo moćniji od bilo kojeg drugog AI radnog toka. alati su ono što pretvara razmišljanje u akciju. U Bright Data-u smo vidjeli bol povezivanja agenata AI-a s značajnim alatima.Dakle, izgradili smo cijelu infrastrukturu kako bismo to popravili. 
 
 
 
 
 Paki podataka: Kurirani, u realnom vremenu, AI-spremni skupovi podataka savršeni za RAG radne tokove. MCP poslužitelji: AI spremni poslužitelji s alatima za analizu podataka, kontrolu preglednika, konverziju formata i još mnogo toga. ️ SERP API-ji: Tražite API-je koje vaši LLM-ovi mogu iskoristiti za svježe, točne web rezultate - izgrađene za RAG pipelines. Agenti preglednika: AI-kontrolirani preglednici koji mogu otkriti web, izbjegavati IP zabrane, riješiti CAPTCHA i nastaviti dalje. ️ MCP serveri ...I ovaj alat stalno se širi. 
 
 Pogledajte što Bright Data AI & BI infrastruktura može otključati za vaše agente sljedeće generacije. ➡️ Take a look at what   can unlock for your next-gen agents. Bright Data’s AI & BI infrastructure AI & BI infrastrukture za Bright Data [Extra] The ReAct Cheat Sheet Postoji mnogo buzz (i zbunjenost) oko pojma "ReAct" - pogotovo jer ga više timova koristi u različitim kontekstima. Dakle, ovdje je no-fluff glosar da vam pomogne držati sve ravnomjerno: 
 
 
 
 
 
 "ReAct dizajn uzorak": AI uzorak koji spaja razmatranje i djelovanje. agent najprije misli (kao lanac misli razmatranje), a zatim djeluje (kao što je web pretraživanje), a na kraju daje rafinirani odgovor. "ReAct prompting": Tehnika prompt-inženjeringa koja potiče LLM-ove da pokazuju svoj proces razmatranja korak po korak i poduzimaju akcije u sredini misli. “ReAct agentic pattern”: Samo još jedno ime za reći “ReAct design pattern.” "ReAct agent": bilo koji AI agent koji slijedi ReAct loop. To razlozi o zadatku, izvodi radnje na temelju tog razmatranja (kao što je pozivanje alata), i vraća odgovor. "ReAct agent framework": Arhitektura (ili knjižnica) koju biste trebali koristiti za izgradnju agenata u stilu ReAct. Završne misli Sada ste saznali što ReAct znači u području AI-a – posebno kada je riječ o agentima AI. Vidjeli ste odakle je ovaj dizajn, što donosi na stol, i kako ga stvarno implementirati kako biste potaknuli svoje agentičke radne tokove. Kao što smo istražili, dovoditi te tokove rada sljedeće generacije u život postaje lakše kada imate pravu infrastrukturu AI i lanac alata kako biste podržali svoje agente. U tvrtki Bright Data naša je misija jednostavna: učiniti umjetnu inteligenciju korisnijom, moćnijom i pristupačnijom svima, svugdje.Do sljedećeg puta – ostanite znatiželjni, ostanite hrabri i nastavite graditi budućnost umjetne inteligencije.

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

Ovaj zvuk je proizveden na izvornom jeziku priče!

Predugo; Čitati

Boost your HackerNoon story @ $159.99! 🚀

Unutar ReAct dizajna: kako moderna AI razmišlja i djeluje

About Author

KOMENTARI

VIJESI OZNAKE

OVAJ ČLANAK JE PREDSTAVLJEN U

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps