ReAct Prompting 是一種讓大型語言模型交錯產生推理軌跡與任務行動的提示方法。我的理解是：ReAct Prompting 把「先想清楚下一步」和「真的去查資料或呼叫工具」放進同一個循環，讓模型在多步問題、工具使用與 AI Agent 任務中比較不容易只靠猜測回答。
ReAct Prompting 是什麼？
ReAct Prompting 結合 Reasoning 與 Acting，讓 LLM 在回答前先拆解問題，再依需要執行搜尋、查詢或工具呼叫。ReAct Prompting 適合需要多步推理與外部資訊的任務。
ReAct 來自論文〈ReAct: Synergizing Reasoning and Acting in Language Models〉。作者 Shunyu Yao 等人在 2022 年提出這個框架，主張大型語言模型可以交錯產生 reasoning traces 與 task-specific actions，而不是把推理和行動分成兩件事處理（Yao et al.，2022）。
我會把 ReAct Prompting 看成 AI Agent 的底層工作節奏：先判斷目前知道什麼，再決定下一步要做什麼，取得觀察結果後重新推理。這個節奏比單純要求模型「一步一步思考」更貼近真實任務，因為真實任務常常需要查資料、比對結果、修正方向。
Reasoning/Acting 各自扮演什麼角色？
Reasoning 負責拆解問題、規劃下一步與更新判斷；Acting 負責取得外部資訊或執行工具。Reasoning/Acting 交錯後，模型才能用新觀察修正後續回答。
| 元件 | 在 ReAct Prompting 中的角色 | 常見輸出 |
|---|---|---|
| Reasoning | 分析問題、建立計畫、判斷缺少哪些資訊 | Thought、推理步驟、下一步策略 |
| Acting | 查詢外部來源、呼叫工具、執行子任務 | Search、Lookup、API call、工具結果 |
| Observation | 接收行動後得到的新資訊 | 搜尋片段、資料庫結果、工具回傳值 |
| Final Answer | 彙整推理與觀察後回答問題 | 最終答案或任務結果 |
Reasoning 不是為了讓模型暴露所有內部想法，而是讓提示結構中保留「為什麼下一步要這樣做」的可檢查軌跡。Acting 也不是讓模型任意操作外部世界，而是由系統提供受控工具，例如搜尋、資料庫查詢、文件檢索或 API 呼叫。
ReAct Prompting 的運作流程是什麼？
ReAct Prompting 通常依照 Thought、Action、Observation 循環執行。模型先提出下一步推理，再採取一個行動，最後根據觀察結果更新方向，直到得到足夠答案。
一個典型流程可以拆成五步：
- 問題理解與初步推理：模型先判斷問題在問什麼，並拆出需要確認的資訊。
- 選擇行動：模型決定要搜尋、查資料庫、查文件，或呼叫某個工具。
- 取得觀察結果：外部系統回傳搜尋結果、查詢結果或工具執行結果。
- 更新推理：模型依照新資訊調整方向，必要時再執行下一輪行動。
- 產生最終回答：模型把多輪推理與觀察整理成可讀答案。
ReAct 論文指出，這種做法讓 reasoning traces 可以協助模型追蹤與更新行動計畫，而 actions 則讓模型連接知識庫或環境取得額外資訊（Yao et al.，2022）。我覺得這句話是 ReAct 的核心：推理讓行動有方向，行動讓推理不只停在模型記憶。
ReAct Prompting 有哪些優勢？
ReAct Prompting 的優勢是讓模型在多步任務中能查證、修正與解釋行動路徑。相較於只產生答案，ReAct Prompting 更適合需要逐步取得資訊的問題。
ReAct Prompting 最常被拿來解決三種痛點。
- 增強多步推理能力：多跳問答、邏輯推理與需要中間結論的題目，通常不能靠一次回答完成。
- 降低憑空回答的風險：模型可以透過搜尋或檢索補充資訊，不必只靠訓練資料記憶。
- 提高任務處理彈性：模型可以依照觀察結果改變下一步，而不是照固定腳本走到底。
Prompt Engineering Guide 對 ReAct 的整理也提到，ReAct 能讓大型語言模型和外部工具互動，以取得更可靠、較符合事實的回應；在知識密集型任務與決策任務上，ReAct 也被用來改善可解釋性與信任感（Prompt Engineering Guide，2026-08 存取）。
ReAct Prompting 適合哪些應用場景？
ReAct Prompting 適合複雜問答、數學或邏輯推理、資料檢索、工具呼叫與 AI Agent 任務。只要答案需要邊查邊修正，ReAct Prompting 就值得考慮。
我會優先在這幾種情境想到 ReAct Prompting：
- 複雜問答：例如多跳查詢，需要先找第一個答案，再用第一個答案查第二層資訊。
- 數學與邏輯題：模型可以把中間步驟拆開，必要時呼叫計算工具確認結果。
- 企業知識庫問答：模型可以先檢索文件，再根據引用內容回答。
- AI Agent 工作流程：模型需要判斷下一步、呼叫工具、讀取結果，最後完成任務。
- 資料驗證任務：模型可以查多個來源，再把矛盾或缺漏整理出來。
不過 ReAct Prompting 不是每個任務都需要。若問題很單純，例如改寫一句文案或翻譯一段短文，ReAct 的 Thought/Action/Observation 結構反而會增加不必要的成本。
ReAct Prompting 的實際範例長什麼樣？
ReAct Prompting 範例可以用「查詢光速概念歷史」來理解。模型先判斷缺少歷史背景，再查找人物與研究貢獻，最後整合成回答。
假設問題是：「找出哪位科學家首次提出光速的概念，並描述他的研究貢獻。」
```text
Question: 找出哪位科學家首次提出光速的概念，並描述他的研究貢獻。
Thought 1: 我需要先確認光速概念的歷史背景，找出早期研究光速的科學家。
Action 1: Search[光速 概念 歷史 早期 科學家]
Observation 1: 查詢結果提到伽利略、羅默、惠更斯等人都與光速研究有關。
Thought 2: 問題問的是首次提出或量測光速概念，我需要比較這些人的貢獻差異。
Action 2: Lookup[Ole Rømer speed of light measurement]
Observation 2: 查詢結果指出 Ole Rømer 於 1676 年根據木星衛星觀測提出光速有限的證據。
Thought 3: 我已找到關鍵人物，還需要補充研究貢獻，避免只回答人名。
Action 3: Lookup[Ole Rømer contribution speed of light]
Observation 3: Rømer 透過木衛一食的時間差推論光傳播需要時間，建立光速有限的觀測證據。
Final Answer: Ole Rømer 通常被視為最早提出光速有限觀測證據的科學家之一。他在 1676 年觀察木衛一食的時間差，推論光從木星附近傳到地球需要時間，讓「光不是瞬間傳播」成為可被觀測支持的科學問題。
```
這個範例的重點不是答案本身，而是路徑。ReAct Prompting 讓模型在每一步說明「目前缺什麼」、「下一步查什麼」、「查到後如何修正判斷」。用在 AI Agent 時，這種路徑也方便開發者檢查工具是否被錯用。
ReAct Prompting 和 Chain-of-Thought、RAG 有什麼差別？
ReAct Prompting 不只要求模型推理，也要求模型在推理中採取行動。Chain-of-Thought 偏向內部推理；RAG 偏向先檢索再回答；ReAct 則把推理與工具使用交錯起來。
| 方法 | 核心做法 | 適合情境 | 主要限制 |
|---|---|---|---|
| Chain-of-Thought | 讓模型用步驟拆解問題 | 數學、邏輯、常識推理 | 缺少外部資訊時仍可能猜測 |
| RAG | 先檢索相關文件，再交給模型回答 | 文件問答、知識庫、引用回答 | 檢索方向通常在生成前決定 |
| ReAct Prompting | 推理、行動、觀察交錯循環 | 多跳問答、工具使用、AI Agent | 需要設計工具邊界與觀察格式 |
我的做法是：如果任務只需要把已有文件找出來回答，先用 RAG；如果任務需要根據第一輪結果決定第二輪查什麼，就考慮 ReAct；如果任務還要改資料、送通知或執行流程，就要把 ReAct 放進更嚴格的 AI Agent 權限設計裡。
實作 ReAct Prompting 時要注意什麼？
ReAct Prompting 的關鍵不是把提示詞寫得很長，而是定義清楚工具、觀察格式、停止條件與錯誤處理。工具權限越大，越需要人工確認與記錄。
我會用這份檢查表看一個 ReAct Prompting 設計能不能進入測試：
- 工具是否明確：每個 Action 能做什麼、不能做什麼，都要寫清楚。
- 觀察是否可用：Observation 要回傳模型能判斷的摘要、狀態或結構化資料。
- 停止條件是否存在：模型要知道什麼時候回答、什麼時候放棄、什麼時候請人確認。
- 錯誤是否能處理：查不到資料、工具失敗、資料互相矛盾時，要有固定處理方式。
- 權限是否最小化：讀取、寫入、刪除、對外發送等動作不應放在同一層權限。
ReAct Prompting 很適合拿來設計「可觀察的 Agent 流程」。但只要 Action 會影響真實系統，例如下單、刪資料、寄信或更新 ERP，我就不會只靠提示詞保護流程；權限、審核和紀錄都要在系統層處理。
延伸閱讀
ReAct Prompting 和 RAG、RAPTOR、LlamaIndex、AI Agent 都在處理同一個問題：大型語言模型如何取得脈絡、規劃步驟並安全行動。可以接著看下面幾篇站內文章。
- RAGFlow 開源 RAG 引擎介紹：功能、架構與本機部署觀察
- Retrieval Interleaved Generation（RIG）是什麼？跟 RAG 有何不同
- LlamaIndex 介紹：用 Python 建立 RAG 索引與查詢流程
- LlamaIndex 的基礎元件：Node、Index、Retriever 與 Query Engine
- 了解 LLM 的函數調用 Function Calling
- AI Agent 的三項核心能力：Connector、Skills 與 Automation
站內目前尚未有獨立 RAPTOR 文章；我會先把 RIG 放在同一個進階檢索閱讀脈絡中，等 RAPTOR 文章補上後再把連結換成獨立頁面。
常見問題
ReAct Prompting 是提示詞技巧還是 Agent 架構？
ReAct Prompting 原本是提示方法，但很適合放進 AI Agent 架構裡。提示詞負責讓模型交錯推理與行動，系統架構則負責提供工具、權限、觀察結果與執行紀錄。
ReAct Prompting 和 Chain-of-Thought 有什麼差別？
Chain-of-Thought 主要讓模型拆解推理步驟。ReAct Prompting 會在推理中加入 Action 與 Observation，讓模型能查資料或呼叫工具，再用新資訊更新後續推理。
ReAct Prompting 一定可以降低幻覺嗎？
ReAct Prompting 可以降低部分幻覺風險，但不能保證完全正確。若工具查到的資料品質差、檢索結果不相關，或模型誤解觀察結果，最後答案仍可能出錯。
ReAct Prompting 適合搭配 RAG 嗎？
ReAct Prompting 適合搭配 RAG。RAG 可以提供文件檢索能力，ReAct Prompting 則讓模型決定何時檢索、下一輪要查什麼，以及如何根據檢索結果修正回答。
ReAct Prompting 需要讓使用者看到所有 Thought 嗎？
實務上不一定需要把完整 Thought 顯示給使用者。比較好的做法是保留可稽核的執行摘要，例如模型採取了哪些 Action、查到哪些 Observation、為什麼需要人工確認。
什麼任務不適合用 ReAct Prompting？
短文改寫、單步翻譯、固定格式整理等簡單任務通常不需要 ReAct Prompting。ReAct Prompting 比較適合需要多輪查找、工具呼叫、路徑修正或任務執行的問題。
參考資料
- Yao, Shunyu et al., ReAct: Synergizing Reasoning and Acting in Language Models, arXiv:2210.03629, https://arxiv.org/abs/2210.03629，初版提交：2022-10-06，v3 更新：2023-03-10，存取日期：2026-08-28。
- Prompt Engineering Guide, ReAct Prompting, https://www.promptingguide.ai/techniques/react，存取日期：2026-08-28。
最後更新：2026-08-28
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2024-11-11