ReAct против Chain-of-Thought: когда агенту нужны действия

Chain-of-Thought (CoT) и ReAct — два подхода к тому, как заставить языковую модель думать перед ответом. Первый описан в статье Google Brain 2022 года «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models», второй — в работе «ReAct: Synergizing Reasoning and Acting in Language Models» той же группы исследователей. Разница между ними — одна: может ли модель во время рассуждения обращаться к внешнему миру или рассуждает исключительно внутри собственного контекста. От этого выбора зависит, будет ли ваш агент выдавать красивую, но выдуманную цепочку логики — или проверять факты по ходу дела.

Что делает Chain-of-Thought

CoT — это приём промптинга, а не архитектура. Вы просите модель не выдавать ответ сразу, а расписать промежуточные шаги: «давай подумаем пошагово». Модель генерирует последовательность рассуждений, и на сложных задачах — арифметика, логика, многошаговые вопросы — это заметно повышает точность по сравнению с ответом «в лоб».

Ключевое ограничение: вся цепочка рассуждений живёт внутри одного прохода генерации. Модель не проверяет свои промежуточные выводы ни в поиске, ни в базе, ни калькулятором. Если на третьем шаге она ошиблась в дате или перемножила числа неверно, дальше она уверенно строит выводы на ложной посылке. CoT улучшает структуру рассуждения, но не спасает от галлюцинаций¹ в фактах.

Chain-of-Thought делает мышление модели видимым. Он не делает его правильным — модель всё так же оперирует только тем, что уже лежит в её весах и в контексте.

Что добавляет ReAct

ReAct — сокращение от Reason + Act. Модель чередует три типа шагов: Thought (рассуждение), Action (вызов инструмента — поиск, API, калькулятор, обращение к базе), Observation (результат, который вернул инструмент). Затем цикл повторяется: новое рассуждение уже опирается на реальные данные из Observation.

Практический эффект: модель может остановиться посреди рассуждения, сходить в поиск, получить актуальную цифру и продолжить с ней. Это закрывает главную дыру CoT — оторванность от фактов. ReAct лежит в основе большинства современных агентных фреймворков: LangChain, LlamaIndex и подобные строят циклы примерно по этой схеме.

Как выглядит один цикл ReAct

1. Thought: модель формулирует, что нужно узнать («мне нужен текущий курс, я его не знаю»).
2. Action: вызывает инструмент с конкретными аргументами (search: «курс доллара ЦБ сегодня»).
3. Observation: получает ответ инструмента и вставляет его в контекст.
4. Цикл повторяется, пока модель не решит, что данных достаточно для финального ответа.

Чем они отличаются на практике

Что выбрать под задачу

Простое правило: если всё, что нужно для ответа, уже есть в промпте или в весах модели — берите CoT. Он дешевле, быстрее и не может уйти в бесконечный цикл. Разбор договора, который вы прислали целиком, решение логической задачи, объяснение кода из контекста — это территория CoT.

Как только для ответа нужны данные, которых у модели нет — актуальная цена, содержимое конкретной страницы, результат вычисления, к которому нельзя доверять «на глаз», — нужен ReAct или другой агентный цикл с инструментами. Иначе модель не откажется отвечать, а придумает правдоподобную цифру.

Гибрид как норма

На деле граница размыта. Внутри шага Thought в ReAct модель по сути делает то же самое CoT-рассуждение — просто между шагами она умеет выходить наружу. Многие продакшн-агенты комбинируют: CoT для внутренней логики, вызовы инструментов там, где нужен факт, плюс жёсткий лимит на число итераций, чтобы агент не крутился в петле «думаю — ищу — думаю» на одном и том же запросе.

• Ставьте потолок шагов (например, 6–10) и обрабатывайте случай, когда лимит достигнут без ответа.
• Логируйте пары Action/Observation — без них дебажить агента почти невозможно.
• Ограничивайте набор инструментов: чем меньше выбор, тем реже модель вызывает лишнее.
• Для задач без внешних данных не тащите ReAct ради «современности» — вы платите за токены и латентность впустую.

Где обе схемы ломаются

CoT красиво выглядит, но длинная цепочка не гарантирует верного ответа: модель может выдать связное рассуждение к неверному итогу. ReAct добавляет свои риски — плохо описанный инструмент, кривой Observation, зацикливание, когда модель раз за разом делает один и тот же вызов. Ни один из подходов не отменяет проверку критичных ответов человеком, особенно там, где цена ошибки — деньги или юридические последствия.

¹ Галлюцинация — выдуманный моделью факт, поданный как достоверный: несуществующая цитата, дата, цифра или ссылка. Модель генерирует статистически правдоподобный текст, а не проверенную истину.