# Мыслительный процесс агента и подход ReAct > [HTML-версия](https://learnvibecoding.ru/publiclessons/myslitelnyy-protsess-agenta-i-podkhod-react) · [Индекс для LLM](https://learnvibecoding.ru/llms.txt) · [Политика использования материалов](https://learnvibecoding.ru/politika-materialov) > Материалы защищены. Обучение LLM без согласия запрещено. При разрешённом использовании — обязательна прямая ссылка на страницу-источник. > Изучим метод промпт-инжиниринга, который побуждает модель думать пошагово, прежде чем действовать **Курс:** Создание своего агента В этом разделе мы заглянем «внутрь головы» AI-агента — разберём, **как он рассуждает и планирует свои действия**. Мы посмотрим, как агент использует внутренний диалог, чтобы анализировать информацию, разбивать сложные задачи на шаги и выбирать, что делать дальше. Также познакомимся с подходом **ReAct**, — методом промпт-инжиниринга, который побуждает модель **думать пошагово, прежде чем действовать**. --- ## Что такое “Thought” (Мысль) **Мысль** — это внутренняя логика и процесс планирования агента. Он использует возможности своей **LLM-модели**, чтобы анализировать данные, рассуждать и выстраивать стратегию. По сути, это **внутренний монолог** модели — та часть рассуждений, которую вы обычно не видите. Мысли помогают агенту: - оценивать текущие наблюдения, - выбирать следующие действия, - разбивать сложные задачи на этапы, - учитывать прошлый опыт, - корректировать стратегию на основе новой информации. --- ## Примеры типов мыслей | Тип мысли | Пример | | --- | --- | | **Планирование (Planning)** | «Мне нужно разбить задачу на три шага: 1) собрать данные, 2) проанализировать тренды, 3) подготовить отчёт» | | **Анализ (Analysis)** | «Судя по сообщению об ошибке, проблема в параметрах подключения к базе данных» | | **Принятие решения (Decision Making)** | «С учётом бюджета пользователя, стоит предложить вариант средней стоимости» | | **Решение проблем (Problem Solving)** | «Чтобы оптимизировать код, сначала нужно выявить узкие места» | | **Использование памяти (Memory Integration)** | «Пользователь упоминал, что предпочитает Python — приведу примеры на Python» | | **Саморефлексия (Self-Reflection)** | «Предыдущий подход не сработал — попробую другой метод» | | **Постановка целей (Goal Setting)** | «Чтобы завершить задачу, нужно сначала определить критерии успеха» | | **Приоритизация (Prioritization)** | «Уязвимость в безопасности нужно устранить прежде, чем добавлять новые функции» | > 💡 Примечание: > > > Для LLM, обученных на **вызове функций (function-calling)**, процесс мыслей может быть неявным. > > Подробности о вызовах функций разберём в разделе *Actions*. > --- ## Цепочка рассуждений (Chain-of-Thought, CoT) **Chain-of-Thought (CoT)** — это техника промпт-инжиниринга, которая заставляет модель **думать пошагово перед ответом**. Обычно CoT начинается с фразы: > “Let's think step by step.” (Давайте подумаем шаг за шагом.) > Этот подход особенно полезен при логических или математических задачах, где важно пройти рассуждение до конца, **без использования внешних инструментов**. --- ### Пример (CoT) **Вопрос:** > Сколько будет 15% от 200? > **Мысль:** > Давайте подумаем шаг за шагом. > > > 10% от 200 — это 20, 5% — это 10, значит 15% = 30. > **Ответ:** > 30 > --- ## ReAct: Reasoning + Acting Один из ключевых методов — **ReAct**, от слов *Reasoning* (мышление) и *Acting* (действие). **ReAct** — это техника промпт-инжиниринга, которая учит модель **чередовать размышления и действия**. Благодаря этому агент способен решать **многошаговые задачи**, поочерёдно проходя через стадии: 1. **Thought:** внутреннее рассуждение 2. **Action:** выполнение действия (вызов инструмента) 3. **Observation:** получение результата и обновление контекста --- ### Пример (ReAct) ``` Thought: Мне нужно узнать текущую погоду в Париже. Action: Search["weather in Paris"] Observation: В Париже +18°C и облачно. Thought: Теперь, когда я знаю погоду... Action: Finish["В Париже +18°C и облачно."] ``` Этот пример показывает, как ReAct объединяет размышления и действия: модель **думает шаг за шагом**, а между мыслями совершает действия (например, обращается к инструменту). --- ## Сравнение ReAct и CoT | Характеристика | **Chain-of-Thought (CoT)** | **ReAct** | | --- | --- | --- | | Пошаговое рассуждение | ✅ Да | ✅ Да | | Использование внешних инструментов | ❌ Нет | ✅ Да | | Подходит для | Логика, математика, внутренние задачи | Поиск информации, динамические сценарии | | Обратная связь от среды | ❌ Нет | ✅ Есть (Observation) | --- ## Модели нового поколения Современные модели, такие как **DeepSeek R1** или **OpenAI o1**, обучены “думать, прежде чем ответить”. Они используют **специальные токены**, например: ``` … ``` — чтобы **явно отделить рассуждение от финального ответа**. В отличие от ReAct и CoT, которые являются *техниками промптирования*, эти модели были **обучены на примерах рассуждений**, то есть “мышление” встроено прямо на уровне обучения. --- ## Почему это важно Понимание принципа Thought и подходов вроде ReAct и CoT — это ключ к созданию **умных и надёжных агентов**, которые не просто отвечают, а **умеют думать, планировать и действовать**. > Такие агенты могут решать задачи с неопределёнными условиями, > > > комбинировать данные из разных источников и корректировать свой план по мере получения новых наблюдений. > ## Как применять ReAct и CoT в реальных задачах Теперь, когда ты понимаешь, как работают подходы **ReAct** и **Chain-of-Thought**, давай посмотрим, как использовать их в промптах и продуктах. ### 1. В чат-ботах и ассистентах Чтобы повысить точность ответов: ``` Ты — финансовый помощник. Перед ответом всегда рассуждай пошагово (CoT): «Сначала я подумаю шаг за шагом». Если тебе нужно получить данные, используй инструмент Search или API. После получения данных сформулируй итоговый ответ пользователю. ``` Так бот не «угадывает» ответ, а планирует его. --- ### 2. В аналитических продуктах (RAG-агенты, BI-боты) Пример ReAct-логики: ``` Thought: Определить, какие данные нужны для отчёта. Action: Query["sales_last_quarter"] Observation: Данные получены. Thought: Теперь я могу рассчитать динамику. Action: Compute["growth_rate"] ``` Модель поочерёдно думает, вызывает нужный инструмент, анализирует результат и строит отчёт. --- ### 3. В агентных пайплайнах При создании агентов на LangChain, LlamaIndex, OpenAI или MCP: - добавь в **system prompt** инструкцию: «Следуй циклу Мысль → Действие → Наблюдение, пока цель не достигнута». - структурируй логику агента как ReAct-петлю, чтобы он корректировал план при ошибках инструментов. --- ### 4. Для улучшения reasoning-качества модели Если модель выдаёт поверхностные ответы — заставь её *думать*: ``` Let's think step by step. ``` или ``` Давай рассуждать по шагам, чтобы избежать ошибок. ``` Так ты активируешь у модели внутреннее «цепное рассуждение». --- ### Итого - **CoT** усиливает глубину размышлений внутри одной задачи. - **ReAct** делает агента интерактивным и адаптивным. - Вместе они превращают LLM из «текстового генератора» в **планирующего и действующего помощника**.... [Все уроки](https://learnvibecoding.ru/publiclessons.md) · HTML: https://learnvibecoding.ru/publiclessons