05-02-01 — ReAct: raciocinar e agir em loop

Origem: o paper de Yao et al. (2022)

ReAct foi proposto no paper "ReAct: Synergizing Reasoning and Acting in Language Models" (Yao et al., NeurIPS 2022 Workshop). A ideia central: combinar chain-of-thought (raciocínio interno) com ações externas num loop interativo.

Antes do ReAct, os LLMs raciocinavam (chain-of-thought) OU agiam (tool use), mas não os dois de forma integrada e iterativa.

O loop Thought → Action → Observation

Como o prompt ReAct é estruturado

O prompt instrui o LLM a sempre seguir o formato:

Thought: [raciocínio sobre o que fazer a seguir]
Action: [nome_da_ferramenta]
Action Input: [argumentos para a ferramenta]
Observation: [resultado retornado pela ferramenta]
... (repete até ter resposta final)
Final Answer: [resposta para o usuário]

Exemplo em Python (com LangChain)

from langchain.agents import create_react_agent, AgentExecutor
from langchain_openai import ChatOpenAI
from langchain.tools import DuckDuckGoSearchRun
from langchain import hub

# Carrega o prompt ReAct padrão do LangChain Hub
prompt = hub.pull("hwchase17/react")

# Define as ferramentas disponíveis
tools = [DuckDuckGoSearchRun()]

# Cria o agente ReAct
llm = ChatOpenAI(model="gpt-4o", temperature=0)
agent = create_react_agent(llm, tools, prompt)

# Executor com limite de iterações
executor = AgentExecutor(
    agent=agent,
    tools=tools,
    max_iterations=5,  # Guardrail: máximo de steps
    verbose=True       # Mostra Thought/Action/Observation
)

result = executor.invoke({
    "input": "Qual o CEO da Vale e sua formação acadêmica?"
})
print(result["output"])

Vantagens e limitações