Wann man dazu greift
- Die Aufgabe Tool-Nutzung erfordert und der genaue Weg nicht im Voraus geplant werden kann.
- Der Agent adaptiv auf Tool-Ergebnisse reagieren muss.
- Anpassungsfähigkeit wichtiger ist als die Minimierung von LLM-Aufrufen.
ReAct.
Denken, handeln, beobachten, neu denken.
Der Agent wechselt iterativ zwischen einem Denkschritt und einem Tool-Aufruf ab, bis das Ziel erreicht ist. Er beobachtet das Ergebnis der Aktion und leitet daraus den nächsten Schritt ab.
Wann es nach hinten losgeht
- Der Plan im Voraus bekannt ist — verwende Plan-and-Execute.
- Kosten pro LLM-Aufruf streng begrenzt sind.
- Die Aufgabe reine Textgenerierung ohne externe Daten ist.
Die Abwägung
Hohe Anpassungsfähigkeit wird auf Kosten eines deutlich höheren Token- und Aufrufvolumens pro Schritt erkauft.
Eine Schleife, die du auf eine Serviette zeichnen kannst.
ReAct ist keine Architektur — es ist eine Haltung. Drei Momente, die wiederholt werden, bis die Aufgabe erledigt scheint. Beobachte den laufenden Loop; er ist das gesamte Pattern.
Ein realer Ablauf, Schritt für Schritt.
Aufgabe"Hat unser größter Konkurrent einen neuen Tarif angekündigt?"
Gedanke 1"Große Frage, noch kein Plan. Ich rufe zuerst die Preisseite des Konkurrenten ab."
Aktion 1fetch_page(url="acmecorp.com/pricing")
Beobachtung 1Seite listet eine Preisstufe namens "Pro" zu €29 auf — aber kein Veröffentlichungsdatum ist sichtbar.
Gedanke 2"Der Preis ist mir neu. Ich brauche das Ankündigungsdatum — Pressemitteilungen versuchen."
Aktion 2web_search("AcmeCorp new tier announcement 2026")
Beobachtung 2Pressemitteilung vom 14. April 2026 bestätigt den Launch.
Antwort"AcmeCorp hat am 14. April 2026 eine Pro-Preisstufe zu €29 eingeführt."
Die Schleife ist schon eingebaut.
LangGraphpython
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-4o")
graph = create_react_agent(
model,
tools=[web_search, fetch_page],
prompt="Answer with tool-use.",
)
# Built-in loop: model -> tools -> model -> ... -> END
# `recursion_limit` is your guard against runaway loops.
result = graph.invoke(
{"messages": [("user", query)]},
config={"recursion_limit": 10},
)Drei Wege, wie dieses Pattern Probleme verursachen kann.
Unbegrenztes Denken
Das Modell denkt weiter, trifft aber nie eine Entscheidung zur Antwort. Ein Budget für Iterationen ist nicht optional — es ist der Abbruchmechanismus des Loops.
Lösung · Hartes max_turns- oder recursion_limit-Limit. Das Limit als erwartetes, nicht als außergewöhnliches Ergebnis behandeln.
Token-Explosion durch Verlauf
Jede Iteration hängt an die Nachrichtenhistorie an. Nach 8 Durchläufen mit Tool-Nutzung werden 8 Beobachtungen in jeden nachfolgenden Aufruf mitgeschleppt.
Lösung · Alte Beobachtungen zusammenfassen oder ein Scratchpad-Pattern (Working Memory) verwenden, um nur den relevanten Ausschnitt zu behalten.
Halluzinierte Tool-Aufrufe
Das Modell erfindet einen Tool-Namen oder fingiert einen Parameter, den das Schema nicht erlaubt. Ohne Validierung wird das Falsche ausgeführt — oder es kommt zum Absturz.
Lösung · Jeden Tool-Aufruf schema-validieren. Das JSON des Modells wie jede andere nicht vertrauenswürdige Eingabe behandeln.
Wo ReAct nativ ist.
AutoGen / AG2Nativ
Microsoft Agent FrameworkReAct primitivesNativ