Waarom is dit belangrijk?
Modellen kunnen een langere taak afmaken en het plan aanpassen als een stap mislukt, terwijl verzonnen details vaker worden tegengehouden. Bij het toetsen van beweringen in onderzoek en op het werk blijven tussenstappen leesbaar voor controle. Medewerkers en studenten kunnen dat spoor nalezen en bijsturen, maar een foutieve redenering of een bron zonder bruikbare informatie kan het vervolg alsnog misleiden.
Zo werkt het in de praktijk
Onderzoekers van Google Research gebruiken ReAct-prompting met het taalmodel PaLM. In het tekstspel ALFWorld kiest het model acties zoals naar een kamer gaan. In de webtaak WebShop navigeert het model over productpagina's.
Shunyu Yao en collega’s publiceerden dit als ICLR-artikel in computationele taalkunde. Zij meten of een model redeneerstappen en acties om de beurt schrijft bij taal- en beslissingstaken. Google Research vergelijkt prompting met het verder trainen van kleinere PaLM-modellen op geslaagde trajecten.
ReAct-prompting hoort bij few-shot prompting: de opdracht bevat enkele uitgewerkte voorbeelden. Bij denkwerk volgen redeneerstap, actie en observatie elkaar op. Bij lange actiereeksen staan redeneerstappen verder uit elkaar, en onderzoekers koppelen ReAct aan chain-of-thought, een werkwijze waarin het model denkstappen uitschrijft.




