ReAct: decidir, agir, observar

O ReAct alterna decisões e ações com base nos resultados observados. O agente pode recuperar primeiro e responder assim que as evidências necessárias estiverem disponíveis.

Estas etapas referem-se aos recursos identificados no código do aplicativo. Este material não foi validado em uma instância ativa; verifique a documentação e as opções da sua versão.

Como funciona, passo a passo

Um loop de agente limitado

Um agente combina um modelo com ferramentas, um objetivo e um estado. Ele observa a solicitação, escolhe uma etapa, recebe o resultado e decide se continua. Um chatbot só pode gerar texto; um agente pode solicitar uma ação externa. As definições comerciais variam, portanto inspecione o controle real. Defina sucesso e parada: um resultado verificado, uma contagem máxima de passos, erros repetidos ou um orçamento esgotado. Use recursos restritos e permissões mínimas. Autonomia útil significa liberdade dentro dos limites impostos pelo software.

O modelo propõe, a ferramenta executa

A chamada da ferramenta produz uma solicitação de chamada com nome e argumentos. A aplicação valida o esquema, as permissões e os limites antes da execução. O resultado retorna ao contexto para a próxima etapa. Por exemplo, get_product_stock pega um SKU e retorna uma quantidade; sua descrição deverá explicar que não reserva produtos. Distinguir resultados vazios, erros de validação, falta de acesso e tempos limite. JSON válido não prova que os argumentos estão corretos ou que a ação está autorizada. Para efeitos externos, considere também a execução duplicada.

Um fluxo de trabalho tem estrutura explícita

Um nó é um estágio, uma aresta é uma transição e o estado carrega resultados entre os estágios. Um fluxo de trabalho possui um caminho definido pelo aplicativo, embora o modelo possa escolher algumas ramificações. Os sistemas agênicos incluem fluxos de trabalho e agentes de ação dinâmica. Nymrio oferece ReAct, Reflexão, Sequencial, Orquestrador, Roteador, Paralelo e Planejar e Executar. Cada um muda de coordenação; isso não torna automaticamente um modelo um especialista. Mais agentes significam mais chamadas e contratos entre funções. Comece com a solução mais simples que passa nos testes.

Laboratório detalhado

Execução e instruções rastreadas

Dê ao agente um papel concreto: “Verifique a política antes de estabelecer um prazo. Peça esclarecimentos se o produto não for identificado. Pare após uma resposta apoiada por evidências”. RAG é a ferramenta de recuperação; o modelo deve suportar ferramentas. Selecione ReAct e atribua o agente no editor.

1. Solicitação: “Posso devolver o LX-240 após 10 dias?”
2. Decisão: a política é necessária, não uma pesquisa genérica na web.
3. Ação: a ferramenta de conhecimento retorna 14 dias e condições.
4. Resposta ilustrativa: "O prazo informado é de 14 dias a partir do recebimento, para produto não utilizado em sua embalagem original. Entre em contato com o suporte antes do envio."

Se a ferramenta falhar, um bom resultado reconhece a limitação. O ReAct se adapta a casos em que novas evidências determinam a próxima ação; escolha Sequencial para transformações fixas.

O esquema explicativo

Siga as setas sólidas para o fluxo principal. As setas azuis tracejadas fornecem dados ou contexto; setas rosa tracejadas mostram feedback ou retorno de resultados. Cores e formas distinguem modelos, lojas, decisões e resultados. Em telas pequenas, role na horizontal para acompanhar o esquema completo.

Um exemplo completo

“Qual prazo de devolução se aplica ao LX-240?” desencadeia pesquisa de política, observação de 14 dias e resposta. Uma ferramenta falhada não deve conduzir a uma política inventada.

template: ReAct
agent: LunaKnowledge
stop: answer_or_execution_limit

Experimente você mesmo

1. Crie um fluxo de trabalho ReAct com o agente de conhecimento e teste um erro de recuperação.
2. Registre a entrada, a fonte e o resultado esperado antes de executar o experimento. Use apenas os dados fictícios do exemplo.
3. Siga as etapas do diagrama. A cada passo registre quais informações são recebidas e produzidas; não confunda o resultado intermediário com o resultado final.
4. Repita após remover as informações necessárias ou tornar a entrada ambígua. Verifique se o sistema esclarece, interrompe ou inventa uma resposta.
5. Compare com a solução explicada. Guarde a configuração, data, resultado e explicação das diferenças. Mude uma coisa e teste novamente.

Uma solução explicada

O loop para após atender ou atingir o limite de execução; a recuperação suporta o prazo. Um exercício bem-sucedido permite mostrar a conexão entre entradas, etapas e resultados. Quando falta informação, uma resposta cautelosa é mais útil do que detalhes inventados. Compare mais do que estilo: verifique também as condições, fontes e operações.

Quando esta abordagem ajuda e quais são seus limites

ReAct é um padrão de controle, não uma garantia de raciocínio. Escolha esta abordagem quando ela melhorar uma necessidade medida. Mantenha uma linha de base simples e compare os resultados usando dados idênticos. Um exemplo de sucesso não estabelece confiabilidade em todas as situações.

Verifique o que aprendeu

Mais autonomia sempre dá um resultado melhor?

Não. Também aumenta a margem para erros, custos e ações desnecessárias.

Quem executa uma chamada proposta pelo modelo?

O aplicativo ou serviço de host após a validação. O modelo não obtém automaticamente acesso irrestrito.

Que resultado este exercício deve produzir?

O loop para após atender ou atingir o limite de execução; a recuperação suporta o prazo.

Termos para lembrar

• Agente: Um sistema que pode escolher etapas e usar ferramentas para atingir um objetivo.
• Chamada de ferramenta: uma solicitação estruturada para usar um recurso externo.
• Acenar: Um estágio em um gráfico de execução.

Fontes e sua próxima etapa

• LangGraph — Fluxos de trabalho e agentes

Para preparar: W01 — O que é um sistema de IA agente?