ReAct: rozumowanie i działanie agenta AI

ReAct, skrót od Reasoning and Acting, to wzorzec dla agentów językowych opisany w pracy badawczej z 2022 roku. Model nie wykonuje całego zadania w jednym skoku. Przeplata etap namysłu z wywołaniem narzędzia oraz obserwacją wyniku. W prostym przebiegu agent rozpoznaje, że brakuje mu aktualnego faktu, uruchamia wyszukiwanie lub API, odczytuje odpowiedź i na jej podstawie wybiera kolejny krok. To odróżnia ReAct od zwykłego promptu, który może tylko tworzyć tekst na podstawie kontekstu już obecnego w rozmowie.

Najważniejsza jest pętla, nie format słów. Agent dostaje cel, ma dostęp do ograniczonej listy narzędzi i po każdej akcji widzi ustrukturyzowaną obserwację. Może wtedy zakończyć zadanie, dopytać o brakujące dane albo wywołać następne narzędzie. W produkcyjnym systemie nie trzeba pokazywać użytkownikowi całego wewnętrznego toku rozumowania. Wystarczy przechowywać bezpieczny log decyzji operacyjnych: jakie narzędzie uruchomiono, z jakimi zwalidowanymi parametrami, co zwróciło i dlaczego workflow przeszedł dalej.

Dla soloprzedsiębiorcy ReAct ma sens tam, gdzie odpowiedź zależy od aktualnych informacji lub kilku systemów. Przykład to asystent przed rozmową sprzedażową. Najpierw sprawdza kalendarz, potem pobiera dozwolone notatki z CRM, a na końcu tworzy brief z otwartymi pytaniami. Nie powinien od razu deklarować, że zna klienta, ani próbować wysłać wiadomości tylko dlatego, że narzędzie to umożliwia. Każdy krok ma jasno określony skutek i minimalny zakres dostępu. Dzięki temu automatyzacja jest łatwiejsza do sprawdzenia i naprawienia.

Praktyczny przykład: agent ma przygotować research do nowej oferty. Krok pierwszy: przyjmuje temat i kryteria, na przykład grupa odbiorców oraz data graniczna. Krok drugi: wyszukuje wyłącznie na oficjalnych domenach producentów. Krok trzeci: zapisuje cytaty i linki jako obserwacje, zamiast od razu pisać wnioski. Krok czwarty: porównuje źródła z kryteriami briefu i zwraca tabelę faktów do akceptacji. Dopiero po akceptacji człowieka może powstać szkic landing page. ReAct pomaga tu rozdzielić pozyskanie faktów, interpretację i publikację.

ReAct nie jest magiczną receptą na poprawność. Model nadal może źle zinterpretować wynik narzędzia, wybrać niepotrzebną akcję albo zapętlić się przy niejednoznacznym celu. Większa liczba kroków oznacza też większy koszt, opóźnienie i więcej miejsc, w których dane mogą zostać ujawnione. Dlatego projektuj małe narzędzia o precyzyjnych kontraktach, ogranicz liczbę iteracji i waliduj parametry po stronie aplikacji. Działania o wysokim skutku, takie jak wysłanie e-maila, zmiana ceny lub usunięcie rekordu, powinny wymagać osobnej bramki i potwierdzenia człowieka.

Nie mieszaj ReAct z samym function calling. Function calling opisuje techniczny sposób, w jaki model wybiera nazwę narzędzia i parametry. ReAct opisuje strategię iteracyjnej pracy: działanie ma wnieść nową obserwację, która wpływa na dalszą decyzję. Tak samo nie jest to dokładnie pętla agenta w konkretnym produkcie, choć może być w niej używany. W dokumentacji własnego systemu warto opisać dla każdego kroku: warunek wejścia, dostępne narzędzia, maksymalną liczbę prób, oczekiwany wynik i warunek przekazania sprawy człowiekowi.

Zacznij od jednego procesu, którego nie da się bezpiecznie zamknąć jednym promptem. Rozpisz go jako: cel, potrzebna informacja, dozwolone narzędzie, obserwacja, decyzja i granica stopu. Następnie uruchom kilkanaście realistycznych przypadków, w tym brak danych, błąd API oraz polecenie sprzeczne z polityką. Mierz nie tylko to, czy agent dotarł do odpowiedzi, ale też czy nie użył zbędnego narzędzia i czy potrafił uczciwie zatrzymać się przy braku danych. Dopiero po takim teście warto rozszerzać pętlę o kolejne integracje.