ReAct-Pattern: Reasoning und Acting im Wechsel

Redaktion · 13. Juni 2026

ReAct heißt erst mal nur: Das Modell denkt und handelt im Wechsel, statt eins von beidem. Der Name ist die Verkürzung von Reasoning und Acting. Und genau dieser Wechsel ist der Grund, warum so viele tool-nutzende KI-Agenten heute auf diesem Muster aufbauen.

Stell dir vor, du fragst eine KI nach dem aktuellen Wechselkurs. Ein nacktes Sprachmodell rät — es hat den Kurs nie gesehen und füllt die Lücke mit etwas Plausiblem. Ein ReAct-Agent macht es anders: Er überlegt kurz, dass er den Kurs nachschlagen muss, ruft ein Tool auf, liest das Ergebnis und antwortet dann erst. Das klingt selbstverständlich. Für ein Modell, das von Haus aus nur Text fortsetzt, ist es das nicht.

Die Schleife: Thought, Action, Observation

Das Herz von ReAct ist eine Schleife aus drei Schritten, die sich so lange wiederholt, bis der Agent fertig ist.

Thought. Das Modell schreibt einen kurzen Gedanken auf — was ist das Ziel, was fehlt mir, was mache ich als Nächstes. Dieser Gedanke ist sichtbarer Text im Verlauf, kein verstecktes Innenleben. Genau das macht den Agenten nachvollziehbar.

Action. Aus dem Gedanken folgt eine Handlung. Meistens ist das ein Tool-Aufruf: eine Suche, ein Datenbank-Query, ein API-Call. Die Action hat ein festes Format, damit das umgebende Programm sie erkennt und ausführt.

Observation. Das Ergebnis der Action — das Suchergebnis, die Datenzeile, die Fehlermeldung — wird zurück in den Kontext geschrieben. Diese Observation ist neuer Input für den nächsten Thought.

Dann beginnt die Schleife von vorn. Neuer Gedanke, neue Handlung, neue Beobachtung. Irgendwann entscheidet das Modell, dass es genug weiß, und gibt statt einer Action die finale Antwort aus. So entsteht aus einer Kette von kleinen Schritten ein Ergebnis, das auf echten Daten steht statt auf einer Vermutung.

Warum nicht einfach durchdenken — der Unterschied zu Chain-of-Thought

Beim reinen Chain-of-Thought denkt das Modell ein Problem in einem Rutsch durch, Schritt für Schritt, ohne nach außen zu greifen. Das ist stark bei Logik- und Rechenaufgaben, wo alles Nötige schon im Kopf steckt. Es ist schwach, sobald das Modell etwas wissen müsste, das es nicht hat.

ReAct schließt genau diese Lücke. Statt nur zu denken, darf der Agent zwischendurch in die Welt greifen und nachsehen. Das Reasoning bleibt — der Thought-Schritt ist im Kern Chain-of-Thought —, aber es wird durch echte Beobachtungen geerdet. Und da macht es klick: Wer zwischen den Gedanken nachschlägt, halluziniert seltener, weil die nächste Überlegung auf einem realen Ergebnis aufsetzt statt auf einer geratenen Annahme.

Kurz gesagt

Chain-of-Thought ist Denken ohne Hände. ReAct gibt dem Denken Hände — Tools, mit denen es zwischendurch Fakten holen kann.

Wo ReAct stark ist

Das Muster spielt seine Stärke überall dort aus, wo eine Aufgabe nicht von vornherein lösbar ist, sondern Informationen unterwegs gesammelt werden müssen.

Recherche über mehrere Schritte. Eine Frage, die erst eine Suche, dann eine zweite, darauf aufbauende Suche braucht. Der Agent passt seinen Weg an, je nachdem was die erste Observation hergibt.
Tool-Nutzung allgemein. Taschenrechner, Code-Ausführung, Kalender, Datenbank — alles, was der Agent aufrufen kann, fügt sich in das Action-Observation-Spiel ein.
Transparenz. Weil jeder Thought im Klartext steht, kannst du nachlesen, warum der Agent eine Entscheidung getroffen hat. Für Debugging und Vertrauen ist das Gold wert. Eine Black Box, die nur das Endergebnis ausspuckt, kannst du nicht prüfen — eine ReAct-Spur schon.

Wie sich daraus komplette Agenten bauen lassen, steht im Detail unter KI-Agenten bauen. ReAct als Prompting-Technik ordnet der Beitrag zu Prompting-Techniken ein.

Typische Fehlerquellen

So elegant das Muster ist — in der Praxis kippt es an ein paar wiederkehrenden Stellen.

Endlosschleifen. Der Agent kommt nicht zum Schluss. Er denkt, handelt, beobachtet, denkt wieder dasselbe — und dreht sich im Kreis, ohne je die finale Antwort auszulösen. Dagegen hilft ein hartes Limit an Schleifendurchläufen und ein klarer Hinweis im Prompt, wann genug Information beisammen ist.

Halluzinierte Tools. Das Modell erfindet eine Action, die es gar nicht gibt — ruft ein Tool auf, das nie definiert wurde, oder übergibt Parameter in einem Format, das niemand erwartet. Das umgebende Programm versteht die Action dann nicht. Eine enge Liste verfügbarer Tools im Prompt und eine saubere Fehler-Observation, die den Agenten zurückholt, sind hier die Gegenmittel.

Falsches Action-Format. ReAct lebt davon, dass das Programm die Action zuverlässig aus dem Text herausliest. Weicht das Modell vom vereinbarten Format ab, bricht der Parser. Strukturierte Outputs oder ein strenges Schema für die Action entschärfen das.

Observation-Müll. Kippt ein Tool eine riesige, ungefilterte Antwort zurück, verstopft das den Kontext und das Modell verliert den Faden. Observations sollten auf das Wesentliche gekürzt werden, bevor sie in die nächste Runde gehen.

Viele dieser Fehler sind verwandt mit dem, was unter Halluzinationen bei LLMs ausführlicher steht — die Ursachen überschneiden sich.

FAQ

Wofür steht ReAct genau?

ReAct ist die Verkürzung von Reasoning und Acting. Das Muster verbindet beides: Das Modell begründet seine nächsten Schritte im Klartext (Reasoning) und führt zwischendurch Aktionen wie Tool-Aufrufe aus (Acting), statt nur eins von beidem zu tun.

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

Chain-of-Thought ist reines Durchdenken ohne Zugriff nach außen. ReAct behält dieses Denken bei, erlaubt dem Modell aber zusätzlich, zwischendurch Tools zu nutzen und die Ergebnisse zu beobachten. Dadurch steht die nächste Überlegung auf echten Daten statt auf einer Vermutung.

Reduziert ReAct wirklich Halluzinationen?

Tendenziell ja. Weil der Agent zwischen den Gedankenschritten Fakten nachschlägt, muss er Lücken seltener mit Geratenem füllen. Das senkt die Wahrscheinlichkeit erfundener Antworten — schützt aber nicht davor, dass er Tools halluziniert oder sich in Schleifen verläuft.

Brauche ich für ReAct ein Framework?

Nein. Das Muster lässt sich von Hand bauen — ein Prompt, der Thought/Action/Observation vorgibt, plus etwas Code, der die Action ausführt und das Ergebnis zurückschreibt. Frameworks nehmen dir das Parsen und die Schleifensteuerung ab, aber das Prinzip funktioniert auch ohne.

Wann ist ReAct die falsche Wahl?

Wenn eine Aufgabe komplett im Modell lösbar ist und keine externen Daten braucht, ist die zusätzliche Schleife nur Overhead. Reines Chain-of-Thought oder ein einzelner Antwort-Aufruf sind dann schneller und billiger.

Entdecke mehr

Lexikon

Themenuebersicht

KI-Orchestrierung