ReAct (Reasoning + Acting)

Patrón de diseño para agentes de IA que entrelaza iterativamente Pensamiento, Acción y Observación.

ReActAgent LoopThought-Action-ObservationChain of Thought

Definición Técnica & Formal

Propuesto por Yao et al. (2022), ReAct combina el razonamiento paso a paso (Chain-of-Thought) con la ejecución de herramientas externas. En cada iteración, el agente genera un Pensamiento (Thought), ejecuta una Acción (Action), inspecciona la Observación (Observation) devuelta por el entorno y repite el ciclo hasta resolver la consulta.

Puntos Clave & Aplicaciones

Reduce drásticamente las alucinaciones al validar hipótesis empíricamente en cada paso.

Permite resolver tareas complejas que requieren múltiples herramientas interconectadas.

Es la base de motores como LangChain Agents, AutoGen y CrewAI.

Intuición Visual para Mente Gráfica

"Un investigador privado: escribe su deducción en la libreta (Pensamiento), busca la prueba en la escena del crimen (Acción), analiza la pista hallada (Observación) y luego concluye."

💡 Tip: Puedes presionar el botón "Dibujar / Apuntes" en la barra superior para hacer anotaciones gráficas sobre este diagrama.

Demostración Visual e Interactiva

Interactúa con los controles para simular dinámicamente el funcionamiento de ReAct (Reasoning + Acting).

Visualizador de la Arquitectura "ReAct (Reasoning + Acting)"

Un investigador privado: escribe su deducción en la libreta (Pensamiento), busca la prueba en la escena del crimen (Acción), analiza la pista hallada (Observación) y luego concluye.

Categoría: Modelos & Representación

Ejemplo de Código & Demostración

python

def react_loop(query, tools):
    state = f"Pregunta: {query}\n"
    while True:
        thought = llm.generate(state + "Pensamiento:")
        if "Respuesta Final:" in thought:
            return thought
        
        action = extract_action(thought) # ej: search("clima madrid")
        observation = tools.execute(action)
        state += f"Pensamiento: {thought}\nAcción: {action}\nObservación: {observation}\n"

💡 Bucle iterativo fundamental del patrón de agente ReAct.

Conceptos Relacionados

PEAS (Performance, Environment, Actuators, Sensors)

Marco conceptual para especificar formalmente agentes inteligentes a través de Rendimiento, Entorno, Actuadores y Sensores.

Harness (Test Harness / Marco de Evaluación)

Entorno automatizado y seguro para ejecutar, supervisar y evaluar agentes y LLMs bajo casos de prueba estandarizados.

Toolformer (Modelos con Uso de Herramientas)

Técnica de entrenamiento autosupervisado donde un LLM aprende a decidir autónomamente cuándo y cómo invocar APIs externas.

LangGraph (Agentes Basados en Grafos y Estado)

Framework para coordinar flujos de trabajo de agentes de IA cíclicos, persistentes y basados en grafos de estado.