ReAct-Agent
Reasoning + Acting — ein Agentenmuster (Paper 2022), bei dem ein LLM in einer Schleife zwischen Denken ("Thought"), Handeln ("Action", z. B. ein Tool-Aufruf) und Beobachten ("Observation") wechselt, bis die Aufgabe gelöst ist. Das Grundrezept hinter den meisten LLM-Agenten.
Mechanik: Das Modell erzeugt einen Gedanken ("ich muss X nachschlagen"), dann eine Aktion (ruft ein Tool auf), liest die Beobachtung (das Ergebnis) und denkt weiter ("jetzt kenne ich X, als Nächstes brauche ich Y") — die Schleife wiederholt sich, bis eine Antwort erreicht ist. Das Aufschreiben des Gedankengangs macht die Entscheidungen zuverlässiger (ähnlich wie Chain-of-Thought), und zwischen den Schritten handeln zu können erlaubt es, Informationen zu beschaffen und sich selbst zu korrigieren. Der Gewinn: Es verbindet Reasoning mit tatsächlicher Werkzeugnutzung → löst mehrstufige Aufgaben, an denen reines Prompting scheitert. Die Grundlage für Frameworks wie LangChain-Agenten und die AutoGPT-Welle. Unterscheidet sich von reinem Chain-of-Thought (nur Denken, keine Aktion). Eines der einflussreichsten Agentenmuster. Hängt zusammen mit Tool-Nutzung und agentischem Workflow.