RAllgemein

ReAct (Reason + Act)

Agentenmuster: Denken und Tool-Nutzung in iterativen Schritten.

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).