ReAct: intercalar raciocínio e ação foi o que fez os primeiros agentes de linguagem funcionarem
- O que é
- O paper de Yao e colegas (Princeton e Google Brain) propõe que o modelo alterne entre um passo de raciocínio em linguagem natural e um passo de ação (uma chamada de ferramenta, uma busca), usando o resultado da ação para atualizar o raciocínio. É o padrão que quase todo framework de agentes reproduziu depois.
- O que foi demonstrado
- Ganhos absolutos de +34 pontos de sucesso no ALFWorld e +10 no WebShop sobre baselines de imitação e reforço; em HotpotQA e FEVER, reduziu alucinação em relação a cadeia de pensamento pura.
- O que ainda não foi
- Testado em 2022 com PaLM-540B em ambientes simulados; os números absolutos são baixos para o padrão de hoje. O que sobreviveu foi a estrutura, não os resultados.
- Por que importa
- Se você vai construir um agente, este é o ponto de partida conceitual: o loop pensar-agir-observar.
Aparece nas trilhas
No mesmo tema
Agentes→A Tencent abriu um MoE de 770B sob Apache 2.0 — e ele bate o Kimi K3 em código com um quarto dos parâmetros
Em software científico de verdade, o melhor agente de código resolve menos da metade dos bugs
Workflows não são agentes: a distinção que evita a maioria dos projetos de agente que dão errado
MCP virou o padrão de ferramentas para agentes — e desde dezembro de 2025 não pertence mais à Anthropic
Receba o próximo Cinco
Terça, 7h, no seu e-mail. Cinco itens, com fonte. Sem newsletter diária, sem promoção, e o descadastro é um clique.