Prompt Engineering Avancado ~40 min

ReAct Prompting

Topico 4 de 33
react prompting agentes
AÇÕES
Progresso do Topico 0%

ReAct Prompting

ReAct (Reasoning + Acting) e uma tecnica de prompting que combina raciocinio e acao, guiando modelos de linguagem a pensar passo-a-passo e entao tomar acoes especificas baseadas nesse raciocinio. Esta abordagem e fundamental para a construcao de AI Agents eficazes.

O Que e ReAct?#

ReAct e um paradigma que intercala:

  • Reasoning (Raciocinio): O modelo pensa sobre o problema, analisa informacoes
  • Acting (Acao): O modelo executa acoes concretas (buscar dados, chamar APIs)

Este ciclo se repete ate que o objetivo seja alcancado.

Por Que ReAct e Importante?#

Problemas com Abordagens Tradicionais#

Apenas Raciocinio (Chain-of-Thought):

  • Modelo raciocina mas nao pode verificar fatos
  • Pode "alucinar" informacoes

Apenas Acao:

  • Executa acoes sem planejamento
  • Dificuldade em tarefas que requerem multiplos passos

ReAct Resolve Ambos#

  • Raciocinio informa quais acoes tomar
  • Acoes fornecem informacoes reais para o raciocinio
  • Ciclo iterativo permite correcao de curso

Estrutura do ReAct#

Thought: [Raciocinio sobre o que fazer]
Action: [Nome da acao a executar]
Action Input: [Parametros da acao]
Observation: [Resultado da acao]
... (repete ate conclusao)
Thought: [Raciocinio final]
Final Answer: [Resposta ao usuario]

Exemplo Pratico#

Pergunta: "Qual e a populacao da capital do pais que ganhou a Copa do Mundo de 2022?"

Thought: Preciso descobrir qual pais ganhou a Copa do Mundo de 2022.
Action: Search
Action Input: "Copa do Mundo 2022 vencedor"
Observation: A Argentina venceu a Copa do Mundo de 2022.

Thought: Agora preciso saber qual e a capital da Argentina.
Action: Search
Action Input: "capital da Argentina"
Observation: Buenos Aires e a capital da Argentina.

Thought: Agora preciso buscar a populacao de Buenos Aires.
Action: Search
Action Input: "populacao Buenos Aires"
Observation: Buenos Aires tem aproximadamente 3 milhoes de habitantes na cidade e 15 milhoes na area metropolitana.

Thought: Tenho todas as informacoes necessarias.
Final Answer: A populacao de Buenos Aires, capital da Argentina (vencedora da Copa 2022), e de aproximadamente 3 milhoes na cidade e 15 milhoes na area metropolitana.

Implementacao com LangChain#

Python 
from langchain.agents import AgentExecutor, create_react_agent
from langchain.tools import Tool
from langchain_openai import ChatOpenAI

# Definir ferramentas
tools = [
    Tool(
        name="Search",
        func=search_function,
        description="Busca informacoes na internet"
    ),
    Tool(
        name="Calculator",
        func=calculator_function,
        description="Realiza calculos matematicos"
    )
]

# Prompt ReAct
react_prompt = """
Answer the following questions as best you can. You have access to the following tools:

{tools}

Use the following format:

Question: the input question you must answer
Thought: you should always think about what to do
Action: the action to take, should be one of [{tool_names}]
Action Input: the input to the action
Observation: the result of the action
... (this Thought/Action/Action Input/Observation can repeat N times)
Thought: I now know the final answer
Final Answer: the final answer to the original input question

Begin!

Question: {input}
Thought:{agent_scratchpad}
"""

# Criar agente
agent = create_react_agent(llm, tools, react_prompt)
executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

Variacoes do ReAct#

ReAct com Reflexao#

Adiciona um passo de auto-avaliacao:

Thought: Minha resposta anterior pode estar incompleta...
Reflection: Devo verificar se considerei todos os aspectos...

ReAct com Planejamento#

Adiciona fase inicial de planejamento:

Plan: 1. Buscar X, 2. Calcular Y, 3. Comparar Z
Thought: Executando passo 1 do plano...

Melhores Praticas#

1. Descricoes Claras de Tools#

Python 
# Ruim
Tool(name="Search", description="Busca coisas")

# Bom
Tool(name="Search", description="Busca informacoes atualizadas na web. Use para fatos, noticias, dados que podem mudar.")

2. Limitar Iteracoes#

Python 
executor = AgentExecutor(
    agent=agent,
    tools=tools,
    max_iterations=10,  # Evita loops infinitos
    early_stopping_method="generate"
)

3. Logging para Debug#

Python 
executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,
    return_intermediate_steps=True  # Retorna todo o raciocinio
)

Quando Usar ReAct#

Ideal para:

  • Perguntas que requerem busca de informacoes
  • Tarefas multi-passo com dependencias
  • Problemas que precisam de verificacao de fatos

Evitar quando:

  • Tarefas simples de uma unica etapa
  • Quando latencia e critica (ReAct e mais lento)
  • Dominio completamente conhecido (sem necessidade de busca)

Resources#

Checklist#

2 recursos

📝
ReAct Prompting - Prompting Guide promptingguide.ai
📝
ReAct Prompting: How We Prompt for High-Quality Results from LLMs width.ai

Este topico tambem pode ser acessado em /topicos/react-prompting