ReAct Prompting

Einfach erklärt

ReAct steht für Reasoning + Acting – ein Framework, bei dem das LLM abwechselnd denkt und handelt. Es kombiniert das “laute Denken” von Chain-of-Thought mit der Fähigkeit, Tools zu nutzen.

Der ReAct-Zyklus:

Thought: Ich muss das aktuelle Wetter in Berlin herausfinden.
Action: get_weather("Berlin")
Observation: 18°C, sonnig

Thought: Der User fragte auch nach München. Das prüfe ich als nächstes.
Action: get_weather("München")
Observation: 15°C, bewölkt

Thought: Ich habe beide Wetterdaten. Jetzt kann ich antworten.
Answer: In Berlin sind es 18°C und sonnig, in München 15°C und bewölkt.

Warum ist das wichtig?

ReAct macht LLM-Entscheidungen nachvollziehbar und ermöglicht komplexe, mehrstufige Aufgaben mit Zwischenergebnissen.

Technischer Deep Dive

ReAct Prompt Template

Du bist ein hilfreicher Assistent mit Zugriff auf folgende Tools:
- search(query): Websuche durchführen
- calculator(expression): Mathematische Berechnung
- lookup(term): Begriff in Wissensdatenbank nachschlagen

Beantworte die Frage des Users. Nutze dieses Format:

Thought: [Dein Gedankengang]
Action: [tool_name(parameter)]
Observation: [Ergebnis der Aktion - wird vom System eingefügt]
... (wiederhole Thought/Action/Observation nach Bedarf)
Thought: Ich habe genug Informationen.
Answer: [Finale Antwort]

Frage: {user_question}

Vergleich mit anderen Ansätzen

Ansatz	Reasoning	Tool Use	Nachvollziehbarkeit
Direct Prompting	❌	❌	❌
Chain-of-Thought	✅	❌	✅
Function Calling	❌	✅	❌
ReAct	✅	✅	✅

Herausforderungen

• Schleifen: Modell wiederholt dieselbe Aktion ohne Fortschritt
• Halluzinierte Actions: Modell erfindet Tools, die nicht existieren
• Ineffizienz: Zu viele Zwischenschritte für einfache Aufgaben

Lösungen: Max-Iterations-Limit, Tool-Validierung, Fallback zu direkter Antwort.