Шаблоны проектирования AI-агентов. Часть 1: ReAct Pattern

1. Введение

Я начинаю цикл о шаблонах проектирования AI-агентов. Цель — референс с оригинальными research papers, рабочим кодом на Go и честным анализом ограничений. Каждое утверждение — с отсылкой к первоисточнику, никаких пересказов. Аудитория — опытные инженеры, которым не нужны объяснения основ.

ReAct Pattern (Yao et al., 2022) — фундамент, на котором строятся Reflexion, Plan-and-Execute, ReWOO и все агентные архитектуры. Без него остальные паттерны не складываются.

2. Что такое ReAct Pattern

История

В октябре 2022 года команда из Princeton University и Google Brain — Shunyu Yao, Jeffrey Zhao, Dian Yu, Nan Du, Izhak Shafran, Karthik Narasimhan, Yuan Cao — опубликовала работу «ReAct: Synergizing Reasoning and Acting in Language Models». Проектная страница: react-lm.github.io.

Идея проста: LLM (Large Language Model) должен не только рассуждать (как в Chain-of-Thought), и не только действовать (как в tool-use агентах), но и чередовать рассуждение и действие, формируя замкнутый цикл обратной связи.

Аналогия с человеческим мышлением

Когда вы решаете сложную задачу — скажем, планируете маршрут в незнакомом городе — вы не строите весь план в голове, а потом действуете. Вы: смотрите карту → думаете → идёте → видите знак → корректируете маршрут → идёте дальше. Именно этот паттерн — interleaved Reasoning + Acting — и формализует ReAct.

Контраст с предшественниками

CoT (Chain-of-Thought) генерирует цепочку рассуждений, но не может проверить факты. Act-only вызывает инструменты, но не рефлексирует над результатами. ReAct объединяет оба мира.

Формальное определение

ReAct-агент работает в цикле:

graph LR
    Q((Question)) --> T1[Thought]
    T1 --> A1[Action]
    A1 --> O1[Observation]
    O1 --> T2[Thought]
    T2 --> A2[Action]
    A2 --> O2[Observation]
    O2 --> TN[...]
    TN --> Ans((Answer))

Пример трассы (задача: «Какая погода в Париже?»):

Thought: Нужно узнать текущую погоду в Париже
Action:  get_weather(city="Paris")
Observation: 18°C, ясно, влажность 45%
Thought: Данные получены, могу ответить
Answer: В Париже сейчас 18°C, ясно, влажность 45%

Каждый Thought — рассуждение модели о том, что делать дальше. Каждый Action — вызов инструмента. Каждая Observation — результат, который модель учитывает в следующем шаге.

3. Какую задачу решает

Проблема CoT: hallucination

Chain-of-Thought (Wei et al., 2022) впечатляет на задачах, где ответ можно вывести из контекста. Но как только нужны внешние факты — модель галлюцинирует. Классический пример: CoT уверенно генерирует «президент Непала — Хари Бахадур Баснет» — имя звучит правдоподобно, но фактически неверно. Нет grounding — нет гарантии.

Проблема Act-only: нет рефлексии

Агент, который только действует, может вызвать инструмент, получить результат, но не способен синтезировать ответ. Он не «думает» над наблюдением — просто передаёт его дальше. Это работает для простых запросов, но ломается на многошаговых задачах.

Проблема error propagation

В длинных цепочках CoT ошибка на раннем шаге не замечается и каскадно размывается, делая финальный ответ бессмысленным. Без возможности перепроверить себя через внешнюю среду модель не может корректировать курс.

Что обеспечивает ReAct

Цифры из Yao et al., 2022

Ключевые результаты из оригинальной работы:

• HotpotQA + FEVER: ReAct преодолевает hallucination CoT через Wikipedia API — модель получает факты, а не выдумывает их (Yao et al., 2022, §4.1).
• ALFWorld: +34% success rate над imitation learning — в среде текстового взаимодействия с домом ReAct значительно превосходит базовый подход (Yao et al., 2022, §4.2).
• WebShop: +10% success rate над RL (Reinforcement Learning) — даже в сложной задаче онлайн-покупок ReAct демонстрирует преимущество (Yao et al., 2022, §4.2).

Применимость паттерна

Важно: паттерн проверен на широком классе моделей и задач. Конкретные числа из Yao et al. получены на PaLM-540B, но сам принцип interleaved reasoning + acting не зависит от конкретной модели — он работает и с GPT-4, и с Claude, и с открытые моделями, поддерживающими tool calling.

4. Архитектура и диаграммы

Цикл Thought → Action → Observation

sequenceDiagram
    participant U as User
    participant A as ReAct Agent
    participant T as Tools
    
    U->>A: Question
    loop ReAct Loop
        A->>A: Thought (рассуждение)
        A->>T: Action (вызов инструмента)
        T-->>A: Observation (результат)
    end
    A->>A: Final Thought
    A-->>U: Answer

На каждой итерации агент формирует Thought — внутреннее рассуждение о текущем состоянии и следующем шаге. Затем выполняет Action — вызов одного из доступных инструментов. Полученная Observation добавляется в контекст, и цикл повторяется. State (история сообщений) накапливается: все предыдущие Thoughts, Actions и Observations доступны на следующем шаге.

State-Graph представление

В фреймворках вроде Eino ReAct реализуется как направленный граф (State Graph):

graph TB
    START((START)) --> CM[ChatModel]
    CM -->|tool_calls| B{Branch}
    CM -->|no tool_calls| END((END))
    B -->|has tool calls| TN[ToolsNode]
    B -->|no tool calls| END
    TN --> CM

Graph-представление важно по трём причинам:

• State: все сообщения хранятся в едином состоянии графа — не нужно вручную управлять контекстом.
• Streaming: каждый узел графа может стримить результат — пользователь видит рассуждение агента в реальном времени.
• Callbacks: на каждый узел можно повесить обработчики — логирование, метрики, трейсинг.

Эволюция подходов 2022–2025

graph LR
    A["Prompt-based
ReAct (2022)"] --> B["Tool Calling
API (2023)"]
    B --> C["Agent
Frameworks (2024)"]
    C --> D["Multi-Agent
Orchestration (2025)"]

• Prompt-based ReAct (2022): оригинальная реализация — few-shot промпты, инструменты через текстовый интерфейс. Работало, но хрупко и не масштабировалось.
• Tool Calling API (2023): модели получили нативную поддержку function calling — инструменты стали структурированными и надёжными. Schick et al., 2023 (arXiv:2302.04761) показали, что LLM могут самостоятельно учиться вызывать инструменты.
• Agent Frameworks (2024): LangGraph, LlamaIndex, Eino — фреймворки, которые инкапсулируют ReAct в переиспользуемые компоненты с графовой архитектурой.
• Multi-Agent Orchestration (2025): несколько ReAct-агентов координируются для решения сложных задач — каждый специализируется на своей области.

5. Состояние рынка: фреймворки

ReAct — универсальный паттерн, реализованный во всех major-фреймворках. Сводная таблица:

LangGraph — де-факто стандарт

LangGraph стал стандартом Python-мира для агентных систем. Функция create_react_agent создаёт готового ReAct-агента из модели и списка инструментов за несколько строк. Графовая архитектура позволяет добавлять условные переходы, циклы и человеко-в-контуре (human-in-the-loop). Если вы в Python — это первый кандидат.

Eino — почему Go

Eino — фреймворк от CloudWeGo (ByteDance), production-tested в Doubao, TikTok и Coze. Выбран для практической секции по трём причинам:

1. Go-нативный: типизированные инструменты, интерфейсы, отсутствие interface{}-ада.
2. Production-tested: обслуживает сотни миллионов запросов в день внутри ByteDance.
3. Графовая архитектура: compose.Graph под капотом ReAct-агента — та же модель, что в LangGraph, но на Go.

Python-примеры кода в этой статье не приводятся — это намеренно. Фокус блога — Go.

6. Практика: ReAct на Eino, Go

Установка

go get github.com/cloudwego/eino@latest
go get github.com/cloudwego/eino-ext/components/model/openai@latest

Документация API: pkg.go.dev/github.com/cloudwego/eino

Минимальный ReAct-агент

package main

import (
    "context"
    "fmt"

    "github.com/cloudwego/eino-ext/components/model/openai"
    "github.com/cloudwego/eino/components/tool"
    "github.com/cloudwego/eino/compose"
    "github.com/cloudwego/eino/flow/agent/react"
    "github.com/cloudwego/eino/schema"
)

func main() {
    ctx := context.Background()

    // Модель с поддержкой tool calling
    chatModel, _ := openai.NewChatModel(ctx, &openai.ChatModelConfig{
        Model: "gpt-4o",
    })

    // Создаём агента с одним инструментом
    agent, _ := react.NewAgent(ctx, &react.AgentConfig{
        ToolCallingModel: chatModel,
        ToolsConfig: compose.ToolsNodeConfig{
            InvokableTools: []tool.InvokableTool{weatherTool()},
        },
    })

    // Вызов агента
    msg, _ := agent.Generate(ctx, []*schema.Message{
        schema.UserMessage("Какая погода в Париже?"),
    })
    fmt.Println(msg.Content)
}

Типизированный инструмент через utils.NewTool

type WeatherRequest struct {
    City string `json:"city" jsonschema:"description=Город для запроса погоды"`
}

type WeatherResponse struct {
    City        string `json:"city"`
    Temperature int    `json:"temperature"`
    Condition   string `json:"condition"`
}

func weatherTool() tool.InvokableTool {
    return utils.NewTool(
        &schema.ToolInfo{
            Name: "get_weather",
            Desc: "Получить текущую погоду в указанном городе",
            ParamsOneOf: schema.NewParamsOneOfByParams(map[string]*schema.ParameterInfo{
                "city": {Type: "string", Desc: "Город", Required: true},
            }),
        },
        func(ctx context.Context, input *WeatherRequest) (*WeatherResponse, error) {
            // Здесь — реальный вызов API погоды
            return &WeatherResponse{
                City: input.City, Temperature: 18, Condition: "ясно",
            }, nil
        },
    )
}

Ключевые параметры (без кода)

• ToolCallingModel — модель обязана поддерживать tool calling (интерфейс ToolCallingChatModel).
• ToolsConfig — конфигурация узла инструментов: InvokableTools и StreamableTools.
• MaxStep — лимит шагов графа (default 12 = до 6 полных циклов ChatModel + Tools).
• MessageModifier — функция для модификации сообщений перед вызовом модели (например, добавление system prompt).
• ToolReturnDirectly — инструменты, результат которых возвращается напрямую пользователю, минуя следующий вызов модели.

Ссылки для углубления

• ReAct Agent Manual — полное описание всех параметров
• eino-examples/flow/agent/react — полный рабочий пример (Food Recommender demo)
• GitHub: cloudwego/eino — исходники

7. Когда ReAct НЕ подходит

ReAct — не серебряная пуля. Каждый цикл Thought→Action→Observation — это отдельный LLM-вызов, а значит: стоимость растёт линейно с числом шагов, latency накапливается, а горизонт планирования ограничен контекстным окном модели.

Иерархия сложности

Microsoft Azure Architecture Center в руководстве по оркестрации AI-агентов формулирует принцип: используй минимальный уровень сложности, который решает задачу.

ReAct занимает средний уровень. Если задача решается прямым вызовом модели — не нужен агент. Если один агент не справляется из-за сложности промпта, перегрузки инструментами или требований безопасности — переходи к multi-agent. Но не раньше.

Подробное сравнение паттернов — в Части 5 этого цикла.

8. Что дальше в цикле

• Часть 2: Plan-and-Execute Pattern — декомпозиция задачи на подзадачи с отдельным планировщиком и исполнителем.
• Часть 3: Reflexion Pattern — ReAct + самооценка: агент учится на собственных ошибках.
• Часть 4: ReWOO Pattern — планирование без interleaved вызовов модели: дешевле, быстрее, но без динамической корректировки.
• Часть 5: Сравнение паттернов + Multi-Agent Orchestration — когда какой паттерн выбирать, и как несколько агентов координируются для решения сложных задач.

Обсуждение приветствуется — комментарии на сайте или GitHub Issues.

9. Ссылки

Исследовательские статьи

1. Yao et al., 2022 — ReAct: Синергия рассуждения и действия в языковых моделях. Формализация цикла Thought→Action→Observation. arXiv:2210.03629
2. Wei et al., 2022 — Chain-of-Thought: Пошаговое рассуждение без взаимодействия с внешней средой. Предшественник ReAct. arXiv:2201.11903
3. Schick et al., 2023 — Toolformer: LLM обучаются самостоятельно вызывать инструменты. Мост между prompt-based и API-based подходами. arXiv:2302.04761
4. Shinn et al., 2023 — Reflexion: Расширение ReAct с самооценкой и вербальным подкреплением. arXiv:2303.11366
5. Yao et al., 2023 — Tree of Thoughts: Обобщение CoT на дерево гипотез с поиском. arXiv:2305.10601
6. Xu et al., 2023 — ReWOO: Планирование без interleaved вызовов модели — показывает ограничения ReAct по cost/latency. arXiv:2305.18323

Документация и примеры

• Eino ReAct Agent Manual — все параметры и конфигурация
• Eino Open Source Announcement — обзор фреймворка
• GitHub: cloudwego/eino — исходники
• GitHub: eino-examples/flow/agent/react — полный рабочий пример (Food Recommender)
• LangGraph ReAct Agent template — реализация на Python
• React Project Page — проектная страница оригинальной работы

Архитектурные руководства

• AI agent design patterns — Microsoft Azure Architecture Center — иерархия сложности (direct call → single agent → multi-agent), паттерны оркестрации, production-рекомендации по reliability, security, cost optimization