RAllgemein

ReAct (Reason + Act)

Agentenmuster: Denken und Tool-Nutzung in iterativen Schritten.
3 Aufrufe

ReAct (Reason + Act) ist ein Agentenmuster für AI Agents (KI-Agenten), bei dem ein Large Language Model (LLM) Aufgaben in wiederholten Schleifen aus Denken (Reason) und Handeln (Act) löst. Dabei kombiniert das Modell schrittweises Schlussfolgern mit gezielter Tool-Nutzung (z. B. Suche, Datenbank, API), um verlässlichere Ergebnisse zu erzeugen und Fehler zu reduzieren.

Was bedeutet ReAct (Reason + Act)?

„Reason“ steht für das strukturierte Herleiten eines nächsten sinnvollen Schritts, „Act“ für das Ausführen einer Aktion über Tools oder Funktionen. In der Praxis heißt das: Das Modell plant nicht alles im Voraus, sondern entscheidet iterativ, welche Information fehlt, holt sie per Tool nach und passt die Lösung dynamisch an.

Wie funktioniert ReAct?

  • 1) Ziel klären: Das Modell interpretiert die Anfrage und definiert ein Zwischenziel (z. B. „Ich brauche aktuelle Daten“).
  • 2) Reason (Denkschritt): Es leitet ab, welche Information oder Operation als Nächstes nötig ist.
  • 3) Act (Tool-Schritt): Es nutzt Function Calling / Tool Use (z. B. Websuche, CRM-API, Rechner, Datenbankabfrage).
  • 4) Beobachtung auswerten: Die Tool-Antwort wird als neue „Beobachtung“ in den Kontext aufgenommen.
  • 5) Iterieren bis zur Lösung: Die Schleife wiederholt sich, bis ein belastbares Ergebnis vorliegt (oder ein Abbruchkriterium greift).

Warum ist ReAct wichtig?

ReAct adressiert ein Kernproblem generativer Modelle: Sie können ohne externe Quellen plausibel klingende, aber falsche Inhalte erzeugen (siehe Halluzinationen (Hallucinations)). Durch Tool-Nutzung kann ein Agent Fakten nachschlagen, Berechnungen auslagern oder Live-Daten abrufen. Das macht Antworten oft aktueller, prüfbarer und handlungsorientierter. In Kombination mit RAG (Retrieval-Augmented Generation) kann ReAct zusätzlich interne Wissensquellen (Dokumente, Wikis) einbeziehen, statt nur „aus dem Gedächtnis“ zu antworten.

Beispiele aus der Praxis (LLM, ChatGPT, Automation)

  • Support-Agent: Der Agent erhält eine Kundenfrage, ruft per RAG passende interne Artikel ab, prüft den Vertragsstatus via API und formuliert dann die Antwort in ChatGPT-ähnlicher Qualität.
  • Marketing-Workflow: Ein Agent sammelt Wettbewerberdaten (Tool), extrahiert Kernaussagen, erstellt Entwürfe und legt Aufgaben in einem Projekttool an.
  • n8n-Automatisierung: In n8n kann ReAct als Logik dienen: Der Agent entscheidet iterativ, welche Node/Integration als Nächstes ausgeführt wird (z. B. „erst CRM prüfen, dann E-Mail senden“), statt einen starren Ablauf zu erzwingen.

Abgrenzung & Grenzen

ReAct ist kein einzelnes Produkt, sondern ein Muster, das häufig mit Prompt Engineering und Tool-Integrationen umgesetzt wird. Grenzen entstehen durch Tool-Fehler, unklare Berechtigungen, Latenz und Governance-Anforderungen (z. B. Datenschutz (DSGVO/GDPR) & KI oder AI Governance). Gute Implementierungen nutzen daher Logging, Tests, klare Abbruchregeln und Sicherheitsmechanismen (z. B. erlaubte Tool-Listen).

Zahlen & Fakten

0–35%
schnellere BearbeitungReAct-ähnliche Agenten verkürzen in KMU häufig die Bearbeitungszeit bei mehrstufigen Wissens- und Supportprozessen, weil Denken und Tool-Aufrufe strukturiert kombiniert werden.
0–30%
weniger FehlversucheDurch iterative Schritte mit Zwischenergebnissen sinkt bei B2B-Anwendungen oft die Zahl unbrauchbarer Antworten oder abgebrochener Prozessläufe, etwa bei Recherche, Ticketing oder Datenabfragen.
0–4 Wochen
typische PilotdauerFür KMU lässt sich ein erster ReAct-Pilot meist in wenigen Wochen umsetzen, wenn bestehende Tools wie CRM, Helpdesk oder Wissensdatenbanken per API angebunden werden.

Anwendungsfälle in der Praxis

Kundenservice
Support-Anfragen mit Rückfragen und Wissensdatenbank automatisch bearbeiten
Ein KMU im Software- oder Maschinenbau-Support nutzt ReAct, damit ein Assistenzsystem eingehende Tickets zuerst analysiert, fehlende Informationen per Rückfrage einholt und danach gezielt interne Wissensdatenbanken oder Handbücher durchsucht. So entstehen präzisere Erstantworten, und einfache Fälle werden direkt gelöst, während komplexe Tickets sauber an den richtigen Servicemitarbeiter eskaliert werden.

Bist du bereit für ReAct (Reason + Act)?

Beantworte 5 kurze Fragen und finde heraus, wo du stehst.
Hast du bereits verstanden, dass ReAct Denken und Tool-Nutzung in mehreren aufeinanderfolgenden Schritten kombiniert?
Setzt du heute schon KI-Agenten oder Workflows ein, die nicht nur antworten, sondern aktiv Informationen abrufen oder Aktionen auslösen?
Hast du Anwendungsfälle definiert, in denen ein Agent erst analysiert und dann gezielt Tools oder Datenquellen nutzt?
Überwachst du, ob die einzelnen Denk- und Handlungsschritte deines Agenten nachvollziehbar und zuverlässig ablaufen?
Hast du ReAct-basierte Prozesse bereits so aufgebaut, dass sie skalierbar, kontrollierbar und in bestehende Systeme integriert sind?

Willst du ReAct in deinem Unternehmen nicht nur verstehen, sondern praktisch nutzen?

ReAct ist besonders dann spannend, wenn KI nicht nur antworten, sondern auch gezielt mit Tools und Daten arbeiten soll. Genau hier zeigt sich in der Praxis schnell, welche Prozesse dafür wirklich geeignet sind und wie man so ein Setup sauber aufsetzt. Mit meiner KI-Beratung klären wir, wo ReAct für dein Team sinnvoll ist, welche Anbindungen du brauchst und ob sich der Einsatz wirtschaftlich lohnt. So bekommst du keine Theorie, sondern funktionierende KI-Workflows, die im Alltag tatsächlich genutzt werden.

Häufig gestellte Fragen

Wie funktioniert ReAct (Reason + Act) bei AI Agents?
ReAct ist ein Agentenmuster, bei dem ein Large Language Model in wiederholten Schleifen aus Denken und Handeln arbeitet. Das Modell leitet zuerst den nächsten sinnvollen Schritt her und nutzt dann gezielt Tools wie Suche, Datenbanken oder APIs, um Informationen zu prüfen und Aufgaben zuverlässiger zu lösen.