ReAct-Agent: der ultimative Leitfaden zum Reason-and-Act-Framework für LLMs

Die rasante Entwicklung der künstlichen Intelligenz hat einfache Chat-Oberflächen hinter sich gelassen und bewegt sich hin zu Systemen, die echte Aufgaben erledigen können. Im Mittelpunkt dieses Wandels steht der ReAct-Agent, eine ausgereifte LLM-Agenten-Architektur, die es KI ermöglicht, mit Logik und gezieltem Handeln in der Welt zu agieren. Durch die Kombination aus internem Denken und der Fähigkeit, mit externen Tools zu interagieren, schlagen diese Agenten die Brücke zwischen Denken und Handeln.

In den Anfängen der generativen KI hatten Systeme häufig mit einem sogenannten „Wissens-Cutoff“ zu kämpfen. Sie konnten über Informationen aus ihren Trainingsdaten schlussfolgern, aber keine neuen Daten abrufen oder Aufgaben ausführen. Das führte zu zwei unterschiedlichen, aber gleichermaßen eingeschränkten Ansätzen: „Reason-only“-Methoden, bei denen die KI Fakten halluzinieren konnte, die ihr unbekannt waren, und „Act-only“-Methoden, die starren Skripten folgten, ohne den Kontext zu verstehen.

Das Reason-and-Act-Framework (ReAct) löst dieses Problem, indem es beide Fähigkeiten miteinander verschränkt. Statt einfach eine Antwort zu raten, hält ein ReAct-Agent inne, überlegt, welche Informationen er benötigt, führt eine Aktion aus, um diese zu beschaffen, und passt seinen Plan anschließend auf Basis der gewonnenen Erkenntnisse an.

Um zu verstehen, wie ein ReAct-Agent funktioniert, stellen Sie sich einen erfahrenen Detektiv vor, der einen komplexen Fall untersucht. Der Detektiv sitzt nicht einfach in einem Raum und errät den Täter aufgrund seines Vorwissens. Er bildet eine Hypothese (Thought), geht ins Archiv, um einen Fingerabdruck zu prüfen (Action), und wertet dann die Laborergebnisse aus (Observation). Jedes neue Beweisstück verändert seine Sichtweise auf den Fall und führt zum nächsten logischen Schritt.

Ähnlich umgeht ein ReAct-Agent die Schwächen von „Reason-only“-Modellen, die häufig selbstbewusste, aber falsche Antworten liefern, indem er seine Logik an der Realität überprüft. Indem das Framework das Modell zwingt, seine Überlegungen vor jeder Handlung zu verbalisieren, ist jeder Schritt in Logik verankert und nicht allein in Wahrscheinlichkeiten.

Das Besondere am ReAct-Framework ist sein iterativer Zyklus. Der Agent arbeitet in einem kontinuierlichen Kreislauf, bis das Ziel erreicht ist:

• Thought: Dies ist der innere Monolog des Agenten. Mithilfe von Chain-of-Thought-Reasoning (CoT) zerlegt der Agent eine komplexe Anfrage in kleinere Teilschritte. Er erklärt sich selbst, warum er einen bestimmten Weg einschlägt und was er damit erreichen möchte.
• Action: Sobald eine Strategie festgelegt ist, führt der Agent eine Aufgabe aus. Dazu gehören der Einsatz von Tools und API-Aufrufe, z. B. das Durchsuchen einer Datenbank, das Berechnen einer Formel oder das Abfragen eines CRM-Systems.
• Observation: Der Agent „sieht“ das Ergebnis seiner Aktion. Wenn eine Suche ein bestimmtes Dokument zurückliefert, wird der Inhalt dieses Dokuments zur Observation. Diese neuen Daten werden zurück in das Modell eingespeist und lösen den nächsten Thought-Schritt aus.

Dieser Kreislauf schafft einen agentischen Workflow, in dem die KI nicht nur passiv antwortet, sondern aktiv Probleme löst und sich an die Ergebnisse ihrer eigenen Arbeit anpasst.

Ein funktionsfähiger ReAct-Agent braucht mehr als nur einen Prompt. Er erfordert eine strukturierte agentische Architektur, in der verschiedene Komponenten zusammenwirken, um Fokus und Genauigkeit zu gewährleisten.

Das LLM ist das Gehirn des Agenten. Als zentrale Entscheidungsinstanz analysiert es die ursprüngliche Anfrage und generiert die Gedanken, die den Kreislauf antreiben. Damit ein Agent effektiv arbeiten kann, muss er auf ein fortschrittliches Modell zurückgreifen, das Anweisungen präzise befolgt. Diese Modelle sind so feinabgestimmt, dass sie erkennen, wann sie an die Grenzen ihres internen Wissens stoßen, und dann ein „Action“-Tag auslösen, um weiterzumachen.

Damit ein Agent eine mehrstufige Aufgabe abschließen kann, muss er sich merken, was er bereits getan hat.

• Kurzzeit-Kontextfenster: Der Agent führt ein laufendes Protokoll der aktuellen Abfolge aus Thought, Action und Observation. So „erinnert“ er sich daran, dass er eine bestimmte Datenbank bereits abgefragt hat, und ruft sie nicht erneut ab.
• Externes Gedächtnis (Langzeit): In komplexen Unternehmensumgebungen können Agenten auf ein Langzeitgedächtnis zugreifen. Dazu gehören frühere erfolgreiche Pläne oder domänenspezifisches Wissen, das in einer Vektordatenbank gespeichert ist, sodass der Agent aus vergangenen Erfahrungen lernen kann.

Ein Agent ist nur so leistungsfähig wie die Tools, die ihm zur Verfügung stehen. Diese Tools ermöglichen es dem Agenten, über die Grenzen seiner Trainingsdaten hinauszugehen und mit Live-Systemen zu interagieren. Zu den gängigen Tools gehören Datenabrufdienste, Code-Ausführungsumgebungen und interne Trigger für die Workflow-Automatisierung.

Die folgende Tabelle zeigt, wie sich ReAct vom Standard-Function-Calling unterscheidet:

Der Trend zu autonomen Agenten wird durch den Bedarf an zuverlässigerer und erklärbarerer KI vorangetrieben. Das ReAct-Framework bietet Unternehmen, die ihre KI-Aktivitäten skalieren möchten, entscheidende Vorteile.

Eine der größten Hürden bei der KI-Einführung sind Halluzinationen. Da ein ReAct-Agent seine Schritte in der „Observation“-Phase überprüft, erfindet er mit deutlich geringerer Wahrscheinlichkeit Fakten. Wenn der Agent den aktuellen Aktienkurs eines Unternehmens benötigt, rät er nicht, sondern nutzt ein Tool, um die Echtzeitdaten abzurufen. So entsteht ein selbstkorrigierender Mechanismus, bei dem der Agent seine Zwischenschritte auf Fakten prüft, bevor er zu einem abschließenden Ergebnis gelangt.

Im Geschäftsumfeld ist es oft genauso wichtig zu wissen, warum eine KI eine Entscheidung getroffen hat, wie die Entscheidung selbst. Das ReAct-Framework bietet einen klaren Prüfpfad. Da der „Thought“-Prozess in verständlicher Sprache dokumentiert wird, können Entwicklungsteams und Nutzer genau nachvollziehen, wo die Logik eines Agenten möglicherweise fehlerhaft war. Diese Transparenz ist entscheidend, um Vertrauen in sensiblen Branchen wie dem Finanz- oder Gesundheitswesen aufzubauen.

Herkömmliche KI-Prompts haben oft Schwierigkeiten mit sogenannten „Multi-Hop“-Fragen, bei denen verschiedene Informationen miteinander verknüpft werden müssen. Eine Anfrage wie „Finden Sie den neuesten Quartalsbericht des größten Wettbewerbers im Einzelhandel und fassen Sie die Auswirkungen auf unseren Marktanteil zusammen“ erfordert mehrere Schritte. Ein ReAct-Agent ist hier klar im Vorteil: Er zerlegt die Aufgabe, sucht zunächst den Wettbewerber, dann den Bericht, dann die relevanten Datenpunkte und synthetisiert schließlich die Antwort.

Der erfolgreiche Einsatz eines ReAct-Agenten erfordert sorgfältiges Prompt Engineering für ReAct. Das Modell muss genau wissen, wie es seine Gedanken und Aktionen formatieren soll, damit das System sie korrekt verarbeiten kann.

Ein hochwertiger ReAct-Prompt enthält in der Regel drei Hauptelemente:

1. Das Ziel: eine klare Beschreibung dessen, was der Nutzer erreichen möchte.
2. Das Format: Explizite Anweisungen zur Verwendung der Tags Thought:, Action:, und Observation:.
3. Few-Shot-Beispiele: Zwei oder drei Beispiele des gewünschten Verhaltens helfen dem Modell, den Rhythmus des Thought-Action-Observation-Kreislaufs zu verstehen.

Selbst die besten Agenten können in Schwierigkeiten geraten. Ein Agent könnte in einer Schleife feststecken und immer wieder dieselbe erfolglose Aktion versuchen. Um dies zu verhindern, implementieren Entwicklungsteams Sicherheitsprüfungen, etwa eine maximale Iterationsanzahl. Darüber hinaus ermöglicht die Technik „Reflexion“, dass der Agent analysiert, warum eine Observation negativ war, und in der nächsten Thought-Phase einen völlig anderen Ansatz verfolgt.

ReAct ist leistungsstark, aber Teil eines breiteren Ökosystems agentischer Muster:

• Plan-and-Execute: Der Agent erstellt vorab einen vollständigen Plan und führt dann alle Schritte aus. Das ist effizient für vorhersehbare Aufgaben, aber weniger flexibel als ReAct.
• Reflexion: Hier kommt eine Ebene der Selbstkritik hinzu, bei der der Agent nach Abschluss einer Aufgabe seine eigene Leistung bewertet, um sich beim nächsten Mal zu verbessern.

Immer mehr Unternehmen setzen agentische KI ein, um komplexe, datenintensive Prozesse zu bewältigen, die früher eine ständige menschliche Aufsicht erforderten.

In einem modernen Contact Center kann ein ReAct-Agent weit mehr als nur einfache Fragen beantworten. Er kann eine komplexe Kundenbeschwerde durchdenken, das CRM nach der Kaufhistorie abfragen und entscheiden, ob eine Rückerstattung ausgelöst oder der Fall an eine Fachkraft weitergeleitet werden soll. Durch den Einsatz von KI-Automatisierung können Unternehmen Probleme schneller lösen und dabei eine hohe Qualität sicherstellen.

Finanzanalysten verbringen oft Stunden damit, Daten aus verschiedenen Quellen zusammenzutragen. Ein ReAct-Agent kann diesen Prozess automatisieren: Er ruft mit einem Datenabruf-Tool aktuelle Markttrends ab, beobachtet die Ergebnisse, durchdenkt die Daten und fasst sie zu einem umfassenden Bericht zusammen. So bleibt den menschlichen Analysten Zeit für die Strategie, statt Daten zu sammeln.

In großen Unternehmen erstrecken sich Aufgaben häufig über mehrere Abteilungen. Ein ReAct-Agent kann dabei als Orchestrator fungieren und Teilaufgaben an kleinere, spezialisierte Agenten delegieren. So kann er beispielsweise einen Agenten mit dem Data Scraping und einen anderen mit der Dokumenterstellung beauftragen, während er selbst den übergeordneten „Thought“-Prozess steuert, um sicherzustellen, dass das Endergebnis den Anforderungen des Nutzers entspricht.

Das ReAct-Framework hat grundlegend verändert, wie wir autonome Agenten verstehen. Indem LLMs eine strukturierte Methode erhalten, um zu denken und mit ihrer Umgebung zu interagieren, haben wir uns von einfachen Textgeneratoren zu aktiven digitalen Mitarbeitenden entwickelt.

Die Zukunft dieser Technologie weist auf „hybride Agenten“ hin, die kontinuierlich aus ihren Beobachtungen lernen können. Je stärker diese Systeme in unsere täglichen Workflows integriert werden, desto mehr verlagern sie sich von cloudbasierten Servern direkt auf die Endgeräte und bieten Echtzeit-Unterstützung mit noch geringerer Latenz. Das ReAct-Framework ist mehr als ein technischer Kniff: Es ist das Fundament einer neuen Ära intelligenter Automatisierung, in der KI genauso effektiv denken, handeln und lernen kann wie die Fachkräfte, die sie unterstützt.