Wiki nyingine, mwelekeo mwingine wa AI unaonyesha muda. Mara hii, ni ReAct (nope, sio JavaScript ambayo tayari unajua na upendo). Mfano ambao hufanya ghasia kubwa katika ulimwengu wa wafanyakazi wa AI. Kufanya kazi + Kufanya kazi Awali ilizinduliwa mwaka wa 2022 (ambayo ni karibu ya kale katika miaka ya AI), mfano wa ReAct unapatikana kila mahali—na kwa sababu nzuri... Fuatilia pamoja wakati tunakupa nini ni, jinsi inavyofanya kazi, na jinsi ya kutekeleza katika mtiririko wako wa kazi. Je, unajua kitu kuhusu Kibanda kama historia yake, uenezi au maendeleo yake? – Anold C. J. Mfano wa React Design ni nini? Unaweza kuwa na mawazo, " “Kama inawezekana” ” Ugh... makala nyingine ya React katika 2025? Je, hatukuzungumzia kuhusu hili kwa miaka mingi? Bila shaka, ninajua mifano ya kubuni ya React! Asante tena. We're talking about a different kind of ReAct here! Katika ulimwengu wa watu, - ambayo inakuja kutoka kwa "Rasoning" + "Acting" - ni mfano wa kubuni ambapo LLMs kuunganisha mawazo na vitendo ili kutatua kazi ngumu kwa ufanisi zaidi au kuzalisha matokeo ya kurekebisha zaidi na sahihi. Majibu ya Hebu tutafanya hivyo kwa njia ya kipengele cha kipekee! Tazama wewe ni kujenga roboti ya AI chef     . Ikiwa unasema tu "kufanya sandwich," mfumo wa msingi wa AI unaweza kuuliza LLM kwa maelekezo na kurudi mapishi ya static. Hata hivyo a Mchezo tofauti kabisa! Kwanza, ni “Nendeni mkaweke alama za mipaka mkishamaliza sasa muwaeleze wananchi ni umbali wanapaswa waache kutoka kwenye hizo alama zenu na muwaelimishe kwamba hiyo ndiyo buffer zone. : kufungua baridi, kuchukua kile kinachohitaji, vipande, vichaka, na voilà - BLT kamili! ReAct-powered agent reasons acts Kwa hiyo, ReAct haina kujibu tu. na ya Kuanzisha mlinzi juu ya msalaba wa mwisho. at kufikiri juu ya mipango, ya kutekeleza. That pattern was first introduced in the 2022 paper “ "Na inafufuka mwaka wa 2025 kama msingi wa wafanyabiashara wa kisasa wa AI na wafanyabiashara wa msingi wa RAG. ReAct: Synergizing mawazo na vitendo katika mifano ya lugha ReAct: Synergizing mawazo na vitendo katika mifano ya lugha Sasa, jinsi hii inawezekana, na jinsi mfano huu wa kubuni kweli kazi? ReAct Origins: Jinsi karatasi ya 2022 ilizindua mapinduzi ya kazi ya AI Mwishoni mwa mwaka 2022, wakati wa Makala iliyotengenezwa juu ya wazo hili: ReAct: Synergizing mawazo na vitendo katika mifano ya lugha 
 
 “Uwezekano wa [LLMs] kwa sababu (kwa mfano, uongofu wa mawazo) na vitendo (kwa mfano, uzalishaji wa mpango wa hatua) umekuwa kwanza kutafakari kama mada tofauti. [Hapa, sisi] kuchunguza matumizi ya LLMs kuzalisha njia zote za sababu na hatua maalum kwa njia inayounganishwa...” “Uwezekano wa [LLMs] kwa sababu (kwa mfano, uongofu wa mawazo) na vitendo (kwa mfano, uzalishaji wa mpango wa hatua) umekuwa kwanza kutafakari kama mada tofauti. [Hapa, sisi] kuchunguza matumizi ya LLMs kuzalisha njia zote za sababu na hatua maalum kwa njia inayounganishwa...” Kwa maneno mengine,  +  = 💥. Wakati huo, LLMs walikuwa msaidizi wa akili - kuzalisha maandishi, kujibu maswali, kuandika msimbo. Mwisho wa 2022 (yaep, wakati ChatGPT ilizinduliwa Novemba 30), watengenezaji walianza kuunganisha LLMs katika kazi halisi za programu. mabadiliko ya Sasa unajua jinsi ya kupanda rose kutoka kwenye bouquet. - mifumo ya kujitegemea ambayo inafanya sababu, kuchukua hatua, kurekebisha mwenyewe, na kufanya mambo. umri wa wafanyakazi hao Katika hatua hii mpya , mfano wa ReAct - mara moja tu wazo la kitaaluma - sasa ni moja ya Hata IBM inazungumzia ReAct kama kiini cha msingi cha mchakato wa kazi wa RAG: Mwisho wa ‘Agent’ Mipango ya kawaida Ndio, hivyo ReAct inakuja kutoka kwa siku za nyuma ... lakini ni kuunda siku zijazo. Sasa hop katika DeLorean (88 MPH, baby! ⚡) - tunakwenda nyuma kwa siku zijazo ili kuona jinsi mfano huu unafanya kazi katika vitendo, na jinsi ya kutekeleza. React inatumika kwa harakati za kazi za kisayansi za AI za kisasa Fikiria juu ya react kama MacGyver ya AI Badala ya tu kutupa jibu kama LLM yako ya kawaida, mifumo ya ReAct ya Na baada ya Sio uchawi ✨- ni wakati wa mawazo ya mstari wa mawazo yanakutana na vitendo vya ulimwengu halisi. kufikiri vitendo vya Fikiria tena Hasa, mtoa huduma wa ReAct ni msingi wa a Uwepo wa Lulu: Think 🤔 → Act 🛠️ → Observe 🔍 → Repeat 🔁 
 
 
 
 Kufikiri (Nadhani 🤔): Kuanza na barua pepe kama "Plani safari ya wiki kwa NYC." Mwakilishi huunda mawazo: "Nahitaji ndege, hoteli, na orodha ya maeneo ya kuvutia." Uchaguzi wa hatua (Act ️): Kulingana na sababu yake, mfanyabiashara anachagua chombo (kwa mfano, kupitia mchanganyiko wa MCP) - kwa kusema, API ya kutafuta ndege - na kuendesha. Ufuatiliaji (Ufuatiliaji ): Chombo hutoa data (kwa mfano, chaguzi za ndege). Hii hupelekwa nyuma kwa mfanyabiashara, ambaye huunganisha katika hatua inayofuata ya sababu. Agent hutumia mawazo mapya kuchagua chombo kingine (kwa mfano, utafutaji wa hoteli), anapata data zaidi, update sababu yake - yote ndani ya kiwango cha juu. Loop (Repeat 🔁) Unaweza kufikiria kwamba kufikiri juu ya "kama haijafanywa" loop. Katika kila iteration, mfanyakazi: 
 
 
 
 
 
 Kutoa hatua mpya ya mawazo. Chagua chombo bora kwa ajili ya kazi. Kufanya utekelezaji wa hatua. Kuondoa matokeo ya. Tazama kama malengo yamefikiwa. Mzunguko huu unaendelea mpaka jibu la mwisho au hali ya lengo inapopatikana. Jinsi ya kutekeleza react Hivyo, unataka kuweka ReAct katika vitendo na wafanyakazi wa ulimwengu halisi? Hapa ni mipangilio ya kawaida! Maonyesho hayo yameanza na (Kwa Agent hii ya ngazi ya juu, iliyoendeshwa na LLM yako ya uchaguzi, inawakilisha ombi la awali kwa ajili ya kujitolea . Orchestrator Agent kufikiri CrewAI au mfumo sawa Msaidizi wa akili ya Badala ya kuwa na haraka, ya awali inapendekeza katika orodha sahihi ya hatua zinazoweza kutumika au sub-chakula. Ni ubongo, kwa makini mipango ya mkakati. Reasoning Agent Kuanguka kwa Baada ya hapo, majukumu haya yanahifadhiwa kwa Hii ni mahali ambapo rubber inakutana na njia! Agent hii ni chombo chako cha zana, iliyounganishwa moja kwa moja na seva ya MCP (kwa upatikanaji wa data ya nje au zana kama scrapers ya wavuti au database) au kuwasiliana na Ni wajibu kwa kweli  the required actions. Acting Agent wafanyabiashara wengine wa kipekee kupitia protocols za A2A Mafanikio ya Matokeo ya hatua hizi si kuchukuliwa. wao ni kutibiwa kwa Agent hii inaangalia matokeo, kuamua kama kazi ni kamili na ya kuridhisha, au kama hatua zaidi zinahitajika. Observing Agent Hii ya kuendelea Mzunguko huu unatumika mpaka inatangaza matokeo "kuja tayari", na kuwasilisha matokeo hayo ya mwisho Hivyo basi, ni lazima ufuate maswali ya ufuatiliaji. Reasoning -> Acting -> Observing Msaidizi wa kufuatilia Msaidizi wa orchestra Kama unaweza kuona, njia rahisi ya kuleta ReAct kwa maisha ni na usanidi wa wafanyakazi wengi! kuondoa kwa moja, rahisi, mfanyabiashara mdogo, pia. Angalia mfano katika video hapa chini: Unaweza https://www.youtube.com/watch?v=pEMhPBQMNjg&embedable=true ReAct vs kazi ya kawaida ya AI 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Uwekezaji wa moja kwa moja; Single Inference Pass Iterative "Rasoning + Acting" loop; hatua kwa hatua kufikiri na utekelezaji External interaction Inaweza kupunguzwa kwa hakuna matumizi ya zana za nje Kufanya kazi kwa kutumia zana Adaptability Inaweza kurekebishwa; inategemea data ya mafunzo. Inafaa sana; inafanya mkakati mzuri kulingana na maoni ya wakati halisi. Problem solving Ni bora kwa ajili ya kazi rahisi, single-turn. Excels at complex, multi-step problems requiring external info and dynamic solutions Feedback Loop Kwa ujumla hakuna maoni ya wazi kwa ajili ya kurekebisha mwenyewe Mzunguko wa maoni ya wazi katika muda halisi ili kufafanua mawazo na kurekebisha vitendo Transparency Mara nyingi sanduku nyeusi; vigumu kufuatilia mantiki. Ufafanuzi wa juu; Chain-of-Thought na vitendo vya mfululizo huonyesha mawazo na matokeo katika kila hatua     Use case fit Q & A, uzalishaji wa maudhui Kazi ngumu: mipango ya safari, utafiti, mtiririko wa kazi wa zana nyingi Implementation Rahisi; inahitaji ushirikiano wa AI chat Mchanganyiko; inahitaji mantiki ya loop, ushirikiano wa zana, na inaweza kuhusisha usanifu wa watendaji wengi faida na hasara Fikiria, kutenda, kujifunza na kurekebisha kozi kwenye ndege. Excels katika kazi ngumu, hatua nyingi zinahitaji taarifa ya nje Inaunganisha na zana muhimu na vyanzo vya data vya nje. Angalia kila mawazo na vitendo, kufanya kurekebisha upepo. 👍 Super accurate and adaptable 👍 Handles gnarly problems 👍 External tool power 👍 Transparent and debuggable Sehemu zaidi ya kuhamia inamaanisha zaidi ya kubuni na kusimamia. Iterative loops, wito wa nje, na orchestration juu ya kichwa inaweza kufanya ada ya jumla ya juu na majibu ya polepole (yaani gharama ya kulipa kwa nguvu zaidi na usahihi). 👎 Increased complexity 👎 Higher latency and calls Nini Unahitaji Kujifunza Kuhusu React Hebu tuwe halisi—bila zana sahihi, mfanyabiashara wa ReAct hawezi kuwa na nguvu zaidi kuliko mtiririko wowote mwingine wa kazi wa AI. Zana ni kile ambacho kinabadilisha mawazo katika vitendo. Katika Bright Data, tumeona maumivu ya kuunganisha wafanyabiashara wa AI kwa zana muhimu. Kwa hiyo, tumeunda miundombinu yote ili kurekebisha. 
 
 
 
 
 Pakiti za data: Mkusanyiko wa data uliohifadhiwa, wakati halisi, tayari kwa AI, bora kwa harakati za kazi za RAG. seva za MCP: seva zilizo tayari kwa AI zimejaa zana za uchambuzi wa data, udhibiti wa kivinjari, uongofu wa muundo, na zaidi. ️ API za SERP: Tafuta API ambazo LLM zako zinaweza kutumia kwa matokeo ya mtandao mapya na sahihi - iliyoundwa kwa vifaa vya RAG. Vifaa vya mtoa huduma: Vifaa vya kuendeshwa na AI ambavyo vinaweza kupiga mtandao, kuepuka marufuku ya IP, kutatua CAPTCHAs, na kuendelea. ️ Msaidizi wa MCP ...Na kiwango hiki cha vifaa kinaendelea kupanua. 
 
 ➡️ Angalia nini miundombinu ya AI & BI ya Bright Data inaweza kufungua kwa wafanyabiashara wako wa kizazi kipya. ➡️ Angalia nini miundombinu ya AI & BI ya Bright Data inaweza kufungua kwa wafanyabiashara wako wa kizazi kipya. Mfumo wa AI & BI wa Bright Data [Extra] Maelezo ya Cheat ya ReAct Kuna mengi ya buzz (na mchanganyiko) karibu na neno "ReAct" - hasa kwa sababu timu nyingi zinatumia katika mazingira tofauti. Hivyo, hapa ni glossary isiyo ya kuvutia ili kukusaidia kuweka kila kitu safi: 
 
 
 
 
 
 "Mfano wa kubuni wa ReAct": Mfano wa AI ambao unajumuisha mawazo na vitendo. Mwakilishi wa kwanza anadhani (kama mawazo ya mzunguko wa mawazo), kisha anafanya kazi (kama kufanya utafutaji wa wavuti), na hatimaye anatoa jibu bora. "ReAct prompting": mbinu ya prompt-engineering ambayo inawakilisha LLMs kuonyesha mchakato wao wa mawazo hatua kwa hatua na kuchukua hatua katikati ya mawazo. Ni iliyoundwa kufanya majibu sahihi zaidi, wazi, na chini ya hallucination-kuathiri. Jifunze zaidi kuhusu ReAct prompting. “ReAct agentic pattern”: Jina jingine la kusema “ReAct design pattern.” "Agent ReAct": Agent yoyote ya AI ambayo inafuata mzunguko wa ReAct. Inaelezea kuhusu kazi, hufanya vitendo kulingana na sababu hiyo (kama vile kuita chombo), na kurudi jibu. "ReAct Agent Framework": Usanifu (au maktaba) unapaswa kutumika ili kujenga wafanyabiashara wa aina ya ReAct. Inakuwezesha kutekeleza mantiki yote ya "ukweli-jibu" katika mifumo yako ya AI. mawazo ya mwisho Sasa una ufahamu wa kile ambacho ReAct inamaanisha katika uwanja wa AI - hasa linapokuja suala la wafanyakazi wa AI. Umeona wapi mfano huu wa kubuni ulikuja, kile kinachotokea kwenye meza, na jinsi ya kutekeleza kwa ufanisi ili kuwezesha harakati zako za kazi za wafanyakazi. Kama tulivyojifunza, kuleta mtiririko huu wa kazi wa kizazi kipya huwa rahisi wakati una miundombinu sahihi ya AI na zana za zana ili kuhifadhi wafanyakazi wako. Katika Bright Data, wajibu wetu ni rahisi: kufanya AI inaweza kutumika zaidi, yenye nguvu zaidi, na inapatikana zaidi kwa kila mtu, mahali popote.

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

Sauti hii imetolewa katika lugha asilia ya hadithi!

Ndefu sana; Kusoma

Boost your HackerNoon story @ $159.99! 🚀

Ndani ya Mfano wa Mipango wa ReAct: Jinsi AI ya kisasa inavyofikiri na kutenda

About Author

MAONI

HANG TAGS

MAKALA HII ILIWASILISHWA NDANI

Related Stories

Master Crypto Security: Your Complete Guide to Safe Wallet Management

Sweet Security Unveils First Unified Detection And Response Platform

A PENDENT WORLD

Jinsi $ TRUTH token ya Swarm Network inapanga kukabiliana na taarifa mbaya kupitia uhakiki wa Blockchain

Master Crypto Security: Your Complete Guide to Safe Wallet Management

Sweet Security Unveils First Unified Detection And Response Platform

A PENDENT WORLD

Jinsi $ TRUTH token ya Swarm Network inapanga kukabiliana na taarifa mbaya kupitia uhakiki wa Blockchain

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps