Agentic Relations
☰

ReAct (Reasoning and Acting)

Prompting-Pattern, das Sprachmodelle in einer Schleife aus Gedanken, Aktionen und Beobachtungen führt und damit den Grundbaustein moderner KI-Agenten bildet.

Definition

ReAct (Reasoning and Acting) ist ein Prompting-Pattern, das Sprachmodelle in einer Schleife aus drei Phasen führt: Thought (interner Gedanke, was als Nächstes nötig ist), Action (Aufruf eines Tools mit konkreten Argumenten) und Observation (Ergebnis des Tool-Aufrufs). Das Pattern wurde 2022 von Yao et al. an der Princeton University und Google Research vorgestellt und ist bis heute der konzeptionelle Grundbaustein der meisten KI-Agenten.

Die zentrale These: Reasoning und Acting verstärken sich gegenseitig. Reasoning hilft dem Modell, die richtige Action zu wählen. Actions liefern neue Beobachtungen, die wiederum besseres Reasoning ermöglichen. Diese Verschränkung schlägt sowohl reines Chain-of-Thought-Prompting (ohne Tools) als auch reines Tool-Use (ohne explizites Reasoning) auf Benchmarks wie HotpotQA, AlfWorld und WebShop.

Mechanismus

Eine klassische ReAct-Iteration sieht so aus:

Thought: Ich brauche das aktuelle Wetter in Zürich.
Action: get_weather(city="Zurich")
Observation: 15 Grad, leichter Regen.
Thought: Das beantwortet die Frage. Final Answer formulieren.
Action: final_answer("In Zürich sind es aktuell 15 Grad bei leichtem Regen.")

Die Schleife läuft, bis das Modell eine Final-Answer-Action ausgibt, ein Schritt-Limit erreicht ist oder ein Budget-Cap greift. Der Host-Code parst pro Iteration die Action, führt sie aus und schreibt die Observation zurück in den Conversation-State.

Vergleich zu klassischem Prompting

Vor ReAct gab es zwei dominante Pattern:

  • Chain-of-Thought (CoT): Modell denkt laut, hat keinen Zugriff auf Tools.
  • Tool Use ohne Reasoning: Modell ruft Tool auf, ohne den Schritt zu erklären.

ReAct kombiniert beide: das Modell zeigt seinen Gedanken (auditierbar) und nutzt Tools (faktentreu). Auf Wissens-Tasks reduziert ReAct Halluzinationen, weil das Modell zuerst nachschlagen darf, statt zu raten.

ReAct und Function Calling

Klassisches ReAct war text-basiert: die Action war ein String wie get_weather(city="Zurich"), den der Host per Regex parsen musste. Diese Form ist fehleranfällig und brüchig. Moderne Implementierungen kombinieren ReAct mit Function Calling: das Modell gibt die Action als strukturierten Tool-Call zurück, das Thought-Feld bleibt optional als Reasoning-Text.

OpenAI Function Calling, Anthropic Tool Use und Google Gemini Functions implementieren effektiv ReAct in robusterer Form. Die Schleifenstruktur Thought-Action-Observation bleibt, die Implementierung ist sicherer.

Varianten und Erweiterungen

  • Reflexion: Nach jedem Schritt prüft das Modell den eigenen Output und korrigiert, wenn nötig.
  • Tree-of-Thoughts: Statt linearer Schleife exploriert das Modell mehrere parallele Pfade, ein Search-Algorithmus wählt den besten.
  • Plan-and-Execute: Zuerst kompletter Plan, dann Execute-Schleife. Spart Tokens bei vorhersehbaren Aufgaben.
  • ReAct-Lite: ohne explizite Thought-Felder, das Modell plant intern. Geeignet für starke Modelle wie Claude Opus oder GPT-5.
  • Chain-of-Verification (CoVe): Nach der Antwort generiert das Modell Verifikationsfragen und beantwortet sie selbst, um Halluzinationen zu fangen.

Praxis und Anwendung

ReAct ist 2026 in nahezu jedem Agent-Framework implementiert:

  • LangChain und LangGraph: ReAct-Agent als Standard-Primitiv.
  • Claude Agent SDK: Tool-Use-Loop folgt ReAct-Struktur.
  • OpenAI Agents API: Internal-Loop ist ReAct-äquivalent.
  • LlamaIndex: ReAct-Agent als Default für Frage-Antwort-Workloads.
  • CrewAI und Autogen: Multi-Agent-Setups, jeder Agent läuft intern als ReAct.

Typische Anwendungen: Frage-Antwort über mehrere Datenquellen, Code-Agenten (Read-File, Edit-File, Run-Tests in ReAct-Schleife), Web-Browsing-Agenten und Research-Pipelines.

Häufige Fehler

  • Zu lange Thought-Felder: verbrauchen Tokens, ohne Mehrwert zu liefern. Knapp halten oder weglassen.
  • Action-Parsing-Fehler: klassische Text-Actions sind brüchig. Function Calling bevorzugen.
  • Endlosschleifen: Modell wiederholt dieselbe Action. Loop-Detection und Step-Limits.
  • Schwache Tool-Beschreibungen: Modell wählt falsch. Klarer Doc-String pro Tool.
  • Halluzinierte Observations: Modell erfindet Tool-Outputs, statt das echte Ergebnis abzuwarten. Strenge System-Prompts und API-Trennung.
  • Fehlende Stop-Bedingung: Agent läuft endlos. Explizites Final-Answer-Tool.

Abgrenzung

  • Chain-of-Thought (CoT): nur Reasoning, kein Tool-Use.
  • Plan-and-Execute: Plan vorab, ReAct entscheidet pro Schritt neu.
  • Tree-of-Thoughts: Search über Reasoning-Pfade, ReAct ist linear.
  • Function Calling: API-Mechanik, ReAct ist Schleifenstruktur darüber.
  • Multi-Agent-System: mehrere Agenten, jeder davon kann intern ReAct verwenden.

Weiter im KI-Lexikon

← Zurück zum Lexikon

Häufige Fragen

Was ist das ReAct-Pattern?+

ReAct (Reasoning and Acting) ist ein Prompting-Pattern, das Sprachmodelle in einer Schleife aus Thought (Gedanke), Action (Tool-Aufruf) und Observation (Ergebnis) führt. Vorgestellt 2022 von Yao et al., ist es bis heute der konzeptionelle Grundbaustein der meisten KI-Agenten.

Wie funktioniert die ReAct-Schleife konkret?+

Pro Iteration generiert das Modell drei Felder: Thought (Plan für den nächsten Schritt), Action (welches Tool mit welchen Argumenten) und Observation (Ergebnis des Tool-Calls). Diese Schleife läuft, bis das Modell eine Final-Answer-Aktion ausgibt oder ein Schritt-Limit greift.

Warum ist ReAct so einflussreich?+

ReAct zeigte erstmals, dass das explizite Verschränken von Chain-of-Thought-Reasoning und Tool-Use bessere Ergebnisse erzielt als beide Techniken einzeln. Es legte das Vokabular (Thought-Action-Observation) und das Loop-Modell fest, das LangChain, AutoGPT und nahezu alle Agent-Frameworks adoptierten.

Welche Schwächen hat das klassische ReAct?+

Klassisches ReAct ist text-basiert und fehleranfällig: das Modell muss das Action-Format als Free-Text korrekt generieren, Parsing schlägt häufig fehl. Moderne Implementierungen kombinieren ReAct mit Function Calling, sodass die Action als strukturiertes JSON-Tool-Call ausgegeben wird, nicht als Text.

ReAct versus Plan-and-Execute: was ist der Unterschied?+

ReAct entscheidet pro Iteration neu. Plan-and-Execute generiert zuerst einen kompletten Plan, dann führt eine Execute-Schleife die Schritte ab. Plan-and-Execute spart Tokens bei vorhersehbaren Aufgaben, ReAct ist robuster bei dynamischen Anfragen, wo der Plan auf Zwischenergebnisse reagieren muss.

Wie schreibt man einen guten ReAct-Prompt?+

Klare Rollendefinition, präzise Tool-Beschreibungen, Few-Shot-Beispiele mit Thought-Action-Observation-Traces, explizite Stop-Bedingung und ein Final-Answer-Tool. Anthropic empfiehlt, Thought-Felder optional zu halten, wenn das Modell stark genug ist, intern zu planen.

Ist ReAct 2026 noch relevant?+

Ja, als konzeptionelles Pattern. Praktisch wurde es weitgehend von Tool-Use-APIs mit Function Calling abgelöst, aber die Schleifenstruktur Thought-Action-Observation bleibt das gedankliche Modell, mit dem Entwickler über Agent-Verhalten sprechen. Moderne Frameworks setzen ReAct unter der Haube um.

Welche Varianten gibt es?+

Reflexion (Selbstkritik nach jedem Schritt), Tree-of-Thoughts (parallele Pfade mit Search), ReAct-Lite (ohne explizite Thought-Felder), Plan-and-Execute (Plan vorab statt pro Schritt) und Chain-of-Verification (CoVe, mit Verifikationsschritt). Jede zielt auf andere Schwachstellen.

Verwandte Begriffe

Quellen

  • Yao et al., ReAct: Synergizing Reasoning and Acting in Language Models (2022)
  • Anthropic Engineering (Building Effective Agents)
  • LangChain ReAct Documentation

Zuletzt geprüft: 2026-06-07