React Prompting : Définition et Exemples
Le React Prompting (Reasoning + Acting) est une technique de prompt engineering qui combine le raisonnement étape par étape avec des actions concrètes, permettant à un modèle de langage d'alterner entre réflexion et interaction avec des outils externes pour résoudre des problèmes complexes.
Définition complète
Le React Prompting, contraction de "Reasoning and Acting", est un paradigme introduit par des chercheurs de Princeton et Google en 2022. Cette approche structure la réponse d'un LLM en une boucle itérative composée de trois étapes : Thought (réflexion sur la situation), Action (exécution d'une action comme une recherche web ou un calcul), et Observation (analyse du résultat obtenu). Ce cycle se répète jusqu'à ce que le modèle dispose de suffisamment d'informations pour fournir une réponse finale.
Contrairement au Chain-of-Thought classique qui se limite au raisonnement interne, le React Prompting permet au modèle d'interagir avec le monde extérieur. Le modèle peut interroger une base de données, effectuer une recherche sur internet, exécuter du code ou appeler une API, puis intégrer les résultats dans son raisonnement. Cette capacité d'ancrage dans des données réelles réduit considérablement les hallucinations et améliore la fiabilité des réponses.
Le pattern React est devenu fondamental dans la construction d'agents IA autonomes. Des frameworks comme LangChain, LlamaIndex ou le Claude Agent SDK s'appuient directement sur cette architecture pour orchestrer des agents capables de résoudre des tâches multi-étapes. Chaque itération du cycle Thought-Action-Observation rapproche l'agent de la solution, tout en maintenant une trace explicite de son raisonnement.
L'efficacité du React Prompting repose sur la synergie entre raisonnement et action : le raisonnement guide le choix des actions pertinentes, tandis que les observations enrichissent le raisonnement avec des faits vérifiés. Cette boucle de rétroaction rend le processus auto-correctif — si une action ne produit pas le résultat escompté, le modèle peut ajuster sa stratégie lors de l'itération suivante.
Étymologie
Le terme "ReAct" est un mot-valise formé de "Reasoning" (raisonnement) et "Acting" (action). Il a été introduit dans l'article académique "ReAct: Synergizing Reasoning and Acting in Language Models" publié par Shunyu Yao et al. (Princeton University & Google Brain) en octobre 2022. Le nom souligne l'innovation centrale : fusionner deux capacités jusqu'alors traitées séparément dans la recherche en IA.
Exemples concrets
Recherche factuelle avec vérification
Réponds à la question suivante en utilisant le format ReAct.
Question : Quel pays a remporté le plus de médailles aux JO de Paris 2024 ?
Thought 1 : Je dois trouver le classement des médailles des JO de Paris 2024. Je vais chercher cette information.
Action 1 : search("classement médailles JO Paris 2024")
Observation 1 : [résultats de recherche]
Thought 2 : D'après les résultats, je peux maintenant identifier le pays en tête.
Action 2 : ...
...Débogage de code avec exécution
Utilise le pattern Thought/Action/Observation pour déboguer ce code Python.
Thought : Le code plante avec une IndexError. Je vais d'abord exécuter le code pour reproduire l'erreur exacte.
Action : execute_code("python script.py")
Observation : IndexError: list index out of range à la ligne 42
Thought : La ligne 42 accède à l'index i d'une liste. Je dois vérifier la taille de la liste avant cette ligne.
Action : execute_code("python -c 'import script; print(len(script.data))'")
...Analyse comparative de produits
En utilisant le cycle ReAct, compare les offres cloud de AWS, GCP et Azure pour l'hébergement d'une API à faible trafic. À chaque étape : - Thought : explique ce que tu cherches et pourquoi - Action : recherche les tarifs ou spécifications - Observation : note ce que tu as trouvé Continue jusqu'à pouvoir formuler une recommandation argumentée.
Usage pratique
Pour appliquer le React Prompting, structurez vos prompts en demandant explicitement au modèle d'alterner entre phases de réflexion (Thought) et phases d'action (Action), suivies d'observations (Observation). Cette technique est particulièrement puissante lorsque le modèle a accès à des outils externes comme la recherche web, l'exécution de code ou des API. Dans la pratique, le React Prompting est surtout utilisé dans les systèmes d'agents autonomes plutôt que dans des prompts manuels.
Concepts liés
FAQ
Quelle est la différence entre React Prompting et Chain-of-Thought ?
Faut-il des outils externes pour utiliser le React Prompting ?
Le React Prompting fonctionne-t-il avec tous les modèles de langage ?
Voir aussi
Recevez de nouveaux prompts chaque semaine
Rejoignez notre newsletter.