ReAct (Reasoning and Acting)
ReAct (Reasoning and Acting, also Denken und Handeln) ist ein Prompting-Muster, bei dem ein Sprachmodell abwechselnd einen Denkschritt schreibt, eine Aktion wie eine Suche oder einen Tool-Aufruf ausführt und das Ergebnis liest, bevor es den nächsten Schritt macht.
Auch: ReAct pattern
Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir
ReAct wurde 2022 in einem Paper von Yao und Kollegen vorgestellt. Die Idee ist einfach: Das Modell soll im selben Transkript laut denken und handeln, damit jeder Gedanke auf dem aufbauen kann, was die letzte Aktion geliefert hat. Es wurde zur Vorlage für die meisten Tool-nutzenden Agenten, die folgten.
So funktioniert es
Der Prompt bittet das Modell, Runden in einer festen Form zu erzeugen. Eine Thought-Zeile sagt, was es herausfinden muss. Eine Action-Zeile nennt ein Tool und seine Eingabe, zum Beispiel eine Suchanfrage. Das Programm führt das Tool aus und hängt eine Observation mit dem Ergebnis an. Dann schreibt das Modell den nächsten Thought, und der Zyklus wiederholt sich, bis es eine endgültige Antwort gibt. Heute läuft das meist über natives Function Calling statt über das Parsen von Text, aber die Form ist derselbe Agent-Loop.
ReAct versus Chain of Thought
Bei Chain of Thought denkt das Modell Schritt für Schritt nach und nutzt dabei nur, was es schon weiß. ReAct fügt Aktionen hinzu, sodass das Modell fehlende Fakten holen und den Kurs korrigieren kann, wenn ein Ergebnis es überrascht. Dadurch erfindet es bei Fragen, die externe Informationen brauchen, seltener Fakten.
Grenzen
Jeder Schritt ist ein Modellaufruf, also werden lange Aufgaben langsam und teuer, und ein schlechter früher Gedanke kann die Schleife im Kreis laufen lassen. Agenten-Frameworks wie LangGraph ergänzen das Grundmuster um Schrittgrenzen und Zustandsverwaltung. Der Name hat nichts mit React zu tun, der JavaScript-Bibliothek.
Verwandte Begriffe
- Agenten-Schleife
- Die Agenten-Schleife (Agent Loop) ist der sich wiederholende Zyklus im Kern eines KI-Agenten: Das Modell fordert einen Tool-Aufruf an, die Anwendung führt ihn aus und gibt das Ergebnis zurück, und das Modell entscheidet, was als Nächstes passiert.
- Chain-of-Thought
- Chain-of-Thought (CoT, Gedankenkette) ist eine Prompting-Methode, bei der ein Sprachmodell vor seiner endgültigen Antwort Zwischenschritte seines Denkens ausschreibt, was Ergebnisse bei Mathematik, Logik und anderen mehrstufigen Aufgaben meist verbessert.
- Tool Calling
- Tool Calling, auch Function Calling (Funktionsaufruf) genannt, ist eine Funktion von Modell-APIs, bei der du Funktionen mit einem Schema beschreibst, das Modell mit einer strukturierten Anfrage antwortet, eine davon aufzurufen, und dein Code sie ausführt und das Ergebnis zurückgibt.
- KI-Agent
- Ein KI-Agent (AI Agent) ist ein System, in dem ein Sprachmodell seine nächsten Schritte selbst bestimmt: Es ruft Tools auf, liest die Ergebnisse und wiederholt das, bis die Aufgabe erledigt ist, statt einem festen Skript zu folgen.
- Reasoning-Modell
- Ein Reasoning-Modell (Denkmodell) ist ein Sprachmodell, das darauf trainiert ist, ein Problem in einem Strom von Zwischen-Denk-Tokens durchzuarbeiten, bevor es seine endgültige Antwort gibt. Das hilft meist bei Mathematik, Coding und mehrstufigen Aufgaben.