Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

ReAct (razonar y actuar)

ReAct (reasoning and acting, razonar y actuar) es un patrón de prompting en el que un modelo de lenguaje alterna entre escribir un paso de razonamiento, realizar una acción como una búsqueda o una llamada a una herramienta, y leer el resultado antes de su siguiente paso.

También llamado: ReAct pattern

Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas

ReAct se presentó en un artículo de 2022 de Yao y sus colaboradores. La idea es sencilla: dejar que el modelo piense en voz alta y actúe en la misma transcripción, para que cada pensamiento pueda apoyarse en lo que devolvió la última acción. Se convirtió en la plantilla de la mayoría de los agentes con herramientas que vinieron después.

Cómo funciona

El prompt pide al modelo que produzca turnos con una forma fija. Una línea Thought dice qué necesita averiguar. Una línea Action nombra una herramienta y su entrada, por ejemplo una consulta de búsqueda. El programa ejecuta la herramienta y añade una Observation con el resultado. El modelo escribe entonces el siguiente Thought, y el ciclo se repite hasta que da una respuesta final. Hoy esto suele funcionar mediante function calling nativo en lugar de analizar texto, pero la forma es el mismo bucle de agente.

ReAct frente a chain of thought

Con chain of thought, el modelo razona paso a paso usando solo lo que ya sabe. ReAct añade acciones, de modo que el modelo puede obtener datos que le faltan y corregir el rumbo cuando un resultado le sorprende. Eso lo hace menos propenso a inventar datos en preguntas que necesitan información externa.

Límites

Cada paso es una llamada al modelo, así que las tareas largas se vuelven lentas y caras, y un mal pensamiento al principio puede hacer que el bucle dé vueltas. Frameworks de agentes como LangGraph añaden límites de pasos y gestión de estado en torno al patrón básico. El nombre no tiene nada que ver con React, la biblioteca de JavaScript.

Términos relacionados

Bucle del agente
El bucle del agente (agent loop) es el ciclo repetido en el centro de un agente de IA: el modelo pide una llamada a una herramienta, la aplicación la ejecuta y devuelve el resultado, y el modelo decide qué hacer a continuación.
Chain-of-thought
El chain-of-thought (CoT, cadena de pensamiento) es un método de prompting en el que un modelo de lenguaje escribe pasos de razonamiento intermedios antes de su respuesta final, lo que suele mejorar los resultados en matemáticas, lógica y otros problemas de varios pasos.
Llamada a herramientas
La llamada a herramientas (tool calling), también llamada function calling, es una función de las API de modelos en la que describes funciones con un esquema, el modelo responde con una petición estructurada para llamar a una de ellas, y tu código la ejecuta y devuelve el resultado.
Agente de IA
Un agente de IA es un sistema en el que un modelo de lenguaje decide sus propios pasos siguientes: llama a herramientas, lee los resultados y repite hasta terminar la tarea, en lugar de seguir un guion fijo.
Modelo de razonamiento
Un modelo de razonamiento (reasoning model) es un modelo de lenguaje entrenado para resolver un problema mediante un flujo de tokens de razonamiento intermedios antes de dar su respuesta final, lo que suele ayudar en matemáticas, programación y tareas de varios pasos.

Fuentes