Was ist ReAct-Prompting? Reasoning und Acting bei KI-Agenten erklärt

ReAct-Prompting (kurz für „Reasoning and Acting") ist ein Muster für Sprachmodelle, bei dem das Modell abwechselnd sein Denken ausformuliert („Thought"), ein externes Werkzeug aufruft („Action") und das Ergebnis dieses Aufrufs auswertet („Observation") – so lange, bis es genug Informationen für eine Antwort hat. Der Ansatz wurde 2022 von Forschenden aus Princeton und Google beschrieben (Google Research) und verbindet das Nachdenken (Reasoning) mit dem Handeln (Acting) in einer wiederholten Schleife.

Anders als beim klassischen Prompting, bei dem Sie eine Frage stellen und das Modell einmalig antwortet, kann ein KI-Agent mit ReAct während der Bearbeitung Informationen nachschlagen, Zwischenergebnisse prüfen und seinen Plan anpassen. Das macht ReAct zu einem der Bausteine für KI-Agenten, die eigenständig mehrschrittige Aufgaben lösen.

Der Thought-Action-Observation-Zyklus

Der Kern von ReAct ist eine feste Abfolge, die sich so lange wiederholt, bis die Aufgabe erledigt ist:

• Thought (Gedanke): Das Modell formuliert in Worten, was als Nächstes zu tun ist – etwa „Ich muss zuerst die Firmengröße herausfinden".
• Action (Aktion): Das Modell wählt ein Werkzeug und ruft es auf, zum Beispiel eine Suchabfrage oder einen Datenbankzugriff.
• Observation (Beobachtung): Das Ergebnis des Werkzeugaufrufs wird zurück in den Kontext des Modells gespeist.

Danach beginnt der Zyklus von vorn: Das Modell denkt über die neue Beobachtung nach, entscheidet über die nächste Aktion und so weiter. Diese Schleife entspricht dem grundlegenden Agenten-Loop aus Wahrnehmen, Denken und Handeln. Erst wenn das Modell zu dem Schluss kommt, dass es genug weiß, gibt es eine endgültige Antwort aus statt eines weiteren Werkzeugaufrufs.

Ein einfaches Beispiel: Auf die Frage „Wie hoch ist die Einwohnerzahl von Tokio, und wie verhält sie sich zu Berlin?" würde ein ReAct-Agent zuerst denken, dass zwei Werte fehlen, dann die Einwohnerzahl von Tokio nachschlagen (Action), das Ergebnis lesen (Observation), anschließend Berlin nachschlagen und erst danach den Vergleich formulieren.

Der Unterschied zu Chain-of-Thought

ReAct baut direkt auf Chain-of-Thought-Prompting auf, geht aber einen Schritt weiter. Bei Chain-of-Thought denkt das Modell zwar Schritt für Schritt laut, bleibt dabei aber auf sein internes Wissen beschränkt. Das führt zu einem bekannten Problem: Fehlt eine Information oder hat sich das Modell einen Fakt falsch gemerkt, kann es diesen Fehler nicht selbst korrigieren, weil es nichts nachschlagen kann.

Das ursprüngliche Forschungspapier zeigte, dass die Kombination von Denken und Handeln beide Einzelverfahren übertrifft (GitHub-Zusammenfassung des Papers): Reines Reasoning (Chain-of-Thought) hat keinen Bezug zu externen Informationen, während reines Handeln ohne Reasoning die Planung fehlt, die überflüssige oder falsche Werkzeugaufrufe vermeidet. ReAct verbindet beides – das Modell überlegt, welche Aktion sinnvoll ist, führt sie aus und passt seinen Plan an das Ergebnis an.

Wichtig dabei: Ohne externe Werkzeuge gibt es kein „Acting" und damit kein ReAct (Digitale Neuordnung). Ein Modell, das nur nachdenkt, ohne etwas abrufen oder ausführen zu können, bleibt im Bereich von Chain-of-Thought oder anderen Prompting-Techniken.

Die Rolle der Werkzeuge

„Acting" setzt voraus, dass das Sprachmodell Zugriff auf externe Agenten-Tools hat – etwa eine Websuche, eine Datenbank, eine Rechenfunktion oder eine CRM-Schnittstelle. Technisch werden diese Aufrufe meist über Tool-Calling umgesetzt, bei dem das Modell strukturiert angibt, welches Werkzeug es mit welchen Parametern nutzen möchte.

Die ReAct-Anweisung selbst wird laut IBM entweder durch ausdrückliche Instruktionen oder durch Beispiele im Prompt vermittelt (IBM): Sie soll das Modell dazu bringen, schrittweise zu denken, Gedanken mit Aktionen abzuwechseln und dabei nur die verfügbaren Werkzeuge zu verwenden. Genau diese Fähigkeit zur eigenständigen Problemlösung mit externen Werkzeugen macht ReAct zu einem Grundbaustein für autonome, agentische KI.

Warum das für KI-Mitarbeiter relevant ist

Ein AI-Mitarbeiter übernimmt eine konkrete Rolle mit einer wiederkehrenden Aufgabe – und die meisten dieser Aufgaben lassen sich nicht mit einer einzigen Antwort lösen. Sie erfordern mehrere Schritte, Zugriff auf aktuelle Daten und Zwischenprüfungen. Das ReAct-Muster ist eine Möglichkeit, genau solche mehrschrittigen Abläufe zu steuern.

Ein Beispiel: Ein Sales Assistant wie Carl qualifiziert einen Lead nicht in einem Rutsch. Er prüft Firmendaten, gleicht sie mit einem Zielkundenprofil ab, reichert fehlende Informationen an und bewertet erst dann. Jeder dieser Schritte ist eine Action mit anschließender Observation – ähnlich dem ReAct-Ablauf. Für Aufgaben wie die Lead-Qualifizierung im Vertrieb ist diese Verzahnung von Denken und Handeln entscheidend, weil sich die nötigen Fakten oft erst während der Bearbeitung ergeben.

In der Praxis wird ReAct heute selten von Hand programmiert. Frameworks wie LangGraph bilden die Schleife aus Denken, Handeln und Beobachten als wiederverwendbare Struktur ab. Ergänzt wird das durch Bausteine wie einen Agenten-Planner für die Aufgabenzerlegung, ein Agenten-Scratchpad für Zwischennotizen und einen Agenten-Trace, der jeden Thought-Action-Observation-Schritt nachvollziehbar protokolliert.

Häufige Fragen

Was ist der Unterschied zwischen ReAct und Chain-of-Thought?

Chain-of-Thought lässt das Modell nur nachdenken, ReAct lässt es zusätzlich handeln. Bei Chain-of-Thought stützt sich das Modell allein auf sein internes Wissen und kann Wissenslücken nicht schließen. ReAct fügt Werkzeugaufrufe hinzu, sodass das Modell fehlende Informationen nachschlagen und seinen Plan an die Ergebnisse anpassen kann.

Braucht ReAct zwingend externe Werkzeuge?

Ja. Das „Acting" in ReAct bedeutet, dass das Modell externe Werkzeuge aufruft – etwa eine Suche, eine Datenbank oder eine Schnittstelle. Ohne Werkzeugzugriff gibt es keinen Handlungsschritt, und der Ansatz reduziert sich auf reines Nachdenken, also auf Chain-of-Thought oder ähnliche Techniken.

Wann wurde ReAct entwickelt?

ReAct wurde 2022 von Forschenden aus Princeton und Google vorgestellt (Google Research). Der Blogbeitrag von Google Research dazu erschien im November 2022. Seitdem ist das Muster zu einem der Standardansätze für den Aufbau von KI-Agenten geworden.

Wie hängt ReAct mit einem Reasoning-Modell zusammen?

ReAct ist ein Prompting- und Ablaufmuster, ein Reasoning-Modell dagegen ein Modelltyp, der intern auf mehrschrittiges Denken trainiert ist. Beide betreffen das „Denken", arbeiten aber auf unterschiedlichen Ebenen. ReAct organisiert das Zusammenspiel von Denken und externen Aktionen; ein Reasoning-Modell kann diese Schritte oft schon von sich aus gründlicher durchlaufen.

Für welche Aufgaben lohnt sich ReAct?

ReAct lohnt sich für mehrschrittige Aufgaben, bei denen das Modell während der Bearbeitung aktuelle Daten braucht oder Zwischenergebnisse prüfen muss. Typische Beispiele sind Recherchen, das Anreichern und Bewerten von Daten oder die Interaktion mit mehreren Systemen. Für eine einfache, einmalige Antwort ohne Datenabruf ist der Aufwand dagegen unnötig.