Cos'è il pattern ReAct negli agenti AI?

Il pattern ReAct è una struttura di prompt che fa alternare esplicitamente a un modello linguistico tre passaggi: un pensiero (thought) che ragiona sul da farsi, un'azione (action) che invoca uno strumento esterno, e un'osservazione (observation) del risultato restituito, prima di ripartire dal pensiero successivo. Il nome viene da Yao et al., "ReAct: Synergizing Reasoning and Acting in Language Models" (2022), che dimostra come intrecciare tracce di ragionamento e azioni su uno strumento batta nettamente l'azione pura senza ragionamento intermedio, che agisce senza spiegare perché, e superi il chain-of-thought puro dove la risposta dipende da fatti esterni, perché quello ragiona senza mai verificare nulla nel mondo. È un pattern a livello di prompt, non l'impalcatura generale che rende un modello un agente: quella è compito dell'agent harness, che ReAct spesso implementa senza sostituirlo. Resta comunque una delle strutture di prompt più citate quando si discute come far ragionare un agente prima di ogni sua mossa concreta nel mondo reale.

Perché il ragionamento da solo non basta

Il chain-of-thought fa ragionare il modello passo per passo, ma quel ragionamento resta chiuso dentro la testa del modello: se una premessa è sbagliata o un fatto è obsoleto, l'errore si propaga fino alla risposta finale senza che nulla lo intercetti. ReAct rompe questo isolamento intercalando ogni passo di ragionamento con un'azione verificabile, tipicamente una ricerca, una query o una chiamata a uno strumento, e usa l'osservazione risultante per correggere il passo successivo. Il modello non decide più al buio: decide, osserva cosa succede, e corregge la rotta se la realtà non coincide con quanto ipotizzato.

Un esempio enterprise

Un agente che deve rispondere a una domanda su un cliente enterprise non genera la risposta al primo tentativo: pensa di dover recuperare i dati dal CRM, esegue la query, osserva che il contratto risulta scaduto da tre mesi, pensa che questo cambia l'inquadramento della domanda, interroga il sistema di fatturazione per verificare eventuali rinnovi in corso, osserva l'esito, e solo a quel punto compone la risposta finale. Ogni pensiero, azione e osservazione resta scritto in chiaro nella traccia: chi legge il log vede esattamente perché l'agente ha interrogato quei due sistemi e in quale ordine, non solo il risultato che ne è uscito.

Perché conta per chi decide

Il ciclo pensiero-azione-osservazione è la ragione per cui un agente ReAct è lento e costoso: ogni passaggio è una chiamata separata al modello, quindi un compito con cinque cicli costa almeno cinque volte una singola inferenza, e in pratica di più, perché ogni chiamata riporta in input l'intera traccia accumulata fino a quel punto. Ma è anche la ragione per cui quell'agente è ispezionabile: quella traccia è il registro di cosa il sistema ha pensato e fatto, passo per passo. Chi valuta un agente in produzione dovrebbe chiedere di vedere quella traccia prima di fidarsi dell'output: è la differenza fra un sistema che si può revisionare riga per riga e una scatola nera che restituisce solo una risposta finale.