ReAct-agent
Reasoning + Acting — ett agentmönster (paper 2022) där en LLM varvar resonemang ("Thought"), handling ("Action", t.ex. ett verktygsanrop) och observation ("Observation") i en loop tills uppgiften är löst. Det grundläggande receptet bakom de flesta LLM-agenter.
Mekanik: modellen producerar en tanke ("jag behöver söka upp X"), sedan en handling (anropar ett verktyg), läser observationen (resultatet), och resonerar vidare ("nu vet jag X, härnäst behöver jag Y") — loopen upprepas tills den når ett svar. Att skriva ut resonemanget gör besluten mer pålitliga (likt chain-of-thought) och att kunna agera mellan stegen låter den hämta information och korrigera sig. Vinst: kombinerar resonemang med faktisk verktygsanvändning → kan lösa flerstegsuppgifter som ren prompting inte klarar. Grunden för ramverk som LangChain-agenter och AutoGPT-vågen. Skiljer sig från ren chain-of-thought (bara tänkande, ingen handling). Ett av de mest inflytelserika agentmönstren. Hör ihop med tool use och agentic workflow.