Dự đoán
ReAct (Reasoning + Acting): AI suy luận rồi HÀNH ĐỘNG tra cứu thực tế, thay vì chỉ suy nghĩ trong đầu. Mỗi bước suy luận được 'grounding' bởi dữ liệu thật từ bên ngoài.
Evaluating routing across providers.
AI Builder
Khung tư duy giúp AI luân phiên giữa lý luận (Reasoning) và hành động (Acting) để giải quyết vấn đề phức tạp.
ReAct (Reasoning + Acting): AI suy luận rồi HÀNH ĐỘNG tra cứu thực tế, thay vì chỉ suy nghĩ trong đầu. Mỗi bước suy luận được 'grounding' bởi dữ liệu thật từ bên ngoài.
Ba pha lặp lại cho đến khi có câu trả lời
AI suy nghĩ về việc cần làm tiếp theo.
Con người không giải quyết vấn đề chỉ bằng suy nghĩ thuần tuý — ta nghĩ rồi làm, quan sát kết quả, rồi nghĩ tiếp. ReAct dạy AI cùng phương pháp: xen kẽ reasoning với acting qua function calling. Mỗi Observation từ thế giới thực điều chỉnh suy luận — giảm ảo giác có cấu trúc, và là vòng lặp lõi của kiến trúc agent hiện đại.
ReAct: Thought (Paris là thủ đô Đức?) → Action (search 'capital of Germany') → Observation (Berlin) → Thought (À, Paris là Pháp, Berlin là Đức). Observation từ bên ngoài 'grounding' suy luận sai.
ReAct (Yao et al., 2023) đề xuất một giao thức prompt trong đó LLM luân phiên sinh ra các dòng có nhãn Thought:, Action: và Observation:. Tầng orchestrator bóc tách từng dòng, thực thi các Action, rồi chèn Observation trở lại context cho đến khi LLM phát ra Final Answer:.
Một cách hình thức, trạng thái ở vòng là gồm câu hỏi , lịch sử và quan sát mới nhất . LLM học chính sách phát ra Thought+Action. Runtime thực thi , lấy , rồi tiếp tục cho tới khi action đặc biệt .
# LangChain ReAct agent — phiên bản gần với sản xuất
from langchain.agents import create_react_agent, AgentExecutor
from langchain_community.tools import DuckDuckGoSearchRun
from langchain_experimental.tools import PythonREPLTool
from langchain_openai import ChatOpenAI
from langchain import hub
# 1. Công cụ mà agent được phép gọi
search = DuckDuckGoSearchRun()
python_repl = PythonREPLTool()
tools = [search, python_repl]
# 2. Prompt ReAct chuẩn (chứa format Thought/Action/Observation)
prompt = hub.pull("hwchase17/react")
# 3. Model với nhiệt độ thấp để ổn định lập luận
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
# 4. Tạo agent và executor
agent = create_react_agent(llm, tools, prompt)
executor = AgentExecutor(
agent=agent,
tools=tools,
verbose=True, # in Thought/Action/Observation ra console
max_iterations=5, # chặn loop vô hạn
handle_parsing_errors=True,
return_intermediate_steps=True,
)
# 5. Chạy thử
question = "Tổng GDP Nhật Bản và Hàn Quốc năm 2023 là bao nhiêu tỷ USD?"
result = executor.invoke({"input": question})
print("Câu trả lời:", result["output"])
for step in result["intermediate_steps"]:
action, observation = step
print("[Action]", action.tool, action.tool_input)
print("[Observation]", observation[:200], "...")Gọi là xác suất câu trả lời đúng với câu hỏi . Khi thêm quan sát từ nguồn đáng tin (tìm kiếm, database), ta có nếu cung cấp thông tin đầy đủ liên quan tới . Về thực nghiệm, Yao et al. báo cáo ReAct giảm tỉ lệ ảo giác 20–40% so với CoT thuần tuý trên HotpotQA và Fever. Hai yếu tố chính: (1) observation chặn sai lệch tích luỹ trong chuỗi suy luận dài; (2) agent được khuyến khích nói "tôi không biết" khi tool trả về rỗng, thay vì phải tự bịa.
| Pattern | Reasoning | Acting | Grounding | Khi nào dùng |
|---|---|---|---|---|
| Direct prompt | Không có | Không có | Câu hỏi đơn giản, kiến thức tĩnh trong LLM. Rẻ nhất, nhưng dễ bịa. | |
| Chain-of-Thought | Có, nhiều bước | Không có | Toán, logic thuần. Hiệu quả khi dữ liệu đã có sẵn trong prompt/ngữ cảnh. | |
| ReAct | Có | Có — gọi tool mỗi vòng | QA thực tế, đa bước, cần tra cứu/tính toán. Pattern chủ đạo cho agent hiện đại. | |
| Plan-and-Solve | Lập kế hoạch trước | Thực thi theo plan | Bài toán dài, nhiều nhánh. Planner tách ý, executor (có thể là ReAct) chạy. | |
| Reflexion | Có + tự phê bình | Có | Tác vụ lặp (coding, RL). Agent học từ lỗi lần trước, tích luỹ memory. |
Vòng lặp vô hạn thường xuất phát từ (1) prompt không mô tả rõ dấu hiệu 'đủ thông tin' để dừng, hoặc (2) các Observation lộn xộn/mâu thuẫn khiến agent không tự tin. Thiết kế tốt luôn kèm max_iterations và mô tả tường minh khi nào được phép Final Answer.
Muốn hiểu sâu, hãy tự viết một vòng lặp ReAct tối giản không dùng framework. Dưới đây là sườn Python rất sát bản gốc của bài báo, phù hợp để thử nghiệm và debug.
import re
from typing import Callable
# Registry công cụ: tên -> hàm Python thực thi
TOOLS: dict[str, Callable[[str], str]] = {
"search": lambda q: fake_search(q),
"calculator": lambda expr: str(eval(expr, {"__builtins__": {}}, {})),
}
ACTION_RE = re.compile(r"Action:\s*(\w+)\((.*)\)")
def react_loop(question: str, llm: Callable[[str], str], max_steps: int = 6) -> str:
context = (
"Bạn là một agent ReAct. Luân phiên viết các dòng bắt đầu bằng "
"'Thought:', 'Action:' hoặc 'Final Answer:'. Sau mỗi Action, "
"hệ thống sẽ chèn dòng 'Observation:'.\n"
f"Question: {question}\n"
)
for step in range(max_steps):
# 1. Sinh Thought + có thể kèm Action hoặc Final Answer
chunk = llm(context)
context += chunk
# 2. Đã trả lời?
if "Final Answer:" in chunk:
return chunk.split("Final Answer:", 1)[1].strip()
# 3. Có Action? Nếu có, thực thi và thêm Observation
m = ACTION_RE.search(chunk)
if not m:
# Agent không gọi tool và cũng không kết luận => nhắc nhở
context += "\nObservation: (không hành động hợp lệ, hãy thử lại)\n"
continue
tool_name, raw_args = m.group(1), m.group(2).strip().strip("'\"")
if tool_name not in TOOLS:
obs = f"Lỗi: không có công cụ '{tool_name}'."
else:
try:
obs = TOOLS[tool_name](raw_args)
except Exception as e:
obs = f"Lỗi khi chạy {tool_name}: {e}"
context += f"\nObservation: {obs}\n"
return "Đã hết số bước cho phép, không tìm được câu trả lời."Dạng low-level này giúp bạn thấy rõ: LLM chỉ sinh text, mọi thứ khác (parse, thực thi, giới hạn) là trách nhiệm của code phía ngoài. Các framework như LangChain, LlamaIndex, AutoGen đều đóng gói đúng ý tưởng trên.