[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-react-prompting::ru":3,"gloss-cluster-react-prompting::ru":20,"gloss-next-react-prompting::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"react-prompting","prompt-eng","ReAct-промптинг","ReAct (Reasoning + Acting, «рассуждение + действие») — это фреймворк промптинга, представленный в исследовательской статье 2022 года, который чередует явные шаги рассуждения с конкретными действиями — как правило, вызовами инструментов вроде веб-поиска, запросов к базе данных или обращений к API — в повторяющемся цикле Мысль → Действие → Наблюдение. Это позволяет модели собирать новую информацию прямо в процессе выполнения задачи, а не полагаться только на то, что она «знает» из обучения. В цикле ReAct модель сначала формулирует Мысль (рассуждение о том, что делать дальше), затем совершает Действие (конкретный вызов инструмента, например search(\"текущая погода в Токио\")); приложение выполняет это действие и возвращает Наблюдение (реальный результат работы инструмента) обратно в промпт, после чего модель снова рассуждает с учётом новой информации — и так до тех пор, пока не накопит достаточно данных для Итогового ответа. Этот паттерн — прямой концептуальный предок современного «ИИ-агента»: практически каждый агентный фреймворк, построенный на вызове функций или инструментов (агенты LangChain, использование инструментов в Claude, многошаговые циклы function calling у OpenAI), реализует под капотом тот или иной вариант цикла ReAct. ReAct значительно снижает галлюцинации по сравнению с ответом модели исключительно по параметрической памяти, поскольку фактические утверждения опираются на реальные результаты инструментов, а не на потенциально устаревшие или неверные внутренние знания модели, и оставляет отлаживаемый журнал аудита (лог Мысль\u002FДействие\u002FНаблюдение), точно показывающий, почему модель пришла к такому ответу. Для разработчиков SaaS циклы в стиле ReAct — это основа любой «агентной» ИИ-функции, которой нужно что-то искать, совершать многошаговые действия или взаимодействовать с внешними системами, а не просто генерировать текст по статичному промпту. Разобранный пример: функция ИИ-ассистента для исследований, отвечающая на вопрос «Кто сейчас CEO компании, купившей главного конкурента Figma?», запускает цикл ReAct: Мысль: «Сначала нужно определить главного конкурента Figma». Действие: search(\"главный конкурент Figma инструмент дизайна\"). Наблюдение: «Часто упоминаются Sketch и Adobe XD; сделка Adobe по покупке Figma сорвалась в 2023 году, но Adobe XD — прямой конкурент...» Мысль: «Вопрос, вероятно, касается компании, которую КУПИЛИ. Проверю историю поглощений». Действие: search(\"инструмент дизайна куплен компанией 2024\"). Наблюдение: «InVision закрылся; Framer остаётся независимым...» Мысль: «Теперь у меня достаточно проверенной информации, чтобы ответить точно, со ссылками на источники, а не гадая». Итоговый ответ: [обоснованный ответ со ссылками на источники]. Без ReAct модель отвечала бы исключительно на основе обучающих данных, рискуя дать устаревший или выдуманный ответ; с ReAct каждое утверждение можно проследить до реального, датированного наблюдения инструмента.","ReAct чередует рассуждение и вызовы инструментов: модель думает, действует (поиск, API), наблюдает результат и повторяет цикл.",null,[11,14,17],{"slug":12,"name":13},"agent","Агент (Agent)",{"slug":15,"name":16},"prompt-chaining","Prompt chaining (цепочка промптов)",{"slug":18,"name":19},"tree-of-thought","Tree-of-thought (дерево размышлений)",[21,25,28,31,35,38,41,44,47,50,53,56],{"slug":22,"category":5,"name":23,"updated_at":24},"analogical-prompting","Analogical Prompting","2026-08-24T02:46:37+00:00",{"slug":26,"category":5,"name":27,"updated_at":24},"automatic-prompt-optimization","Автоматическая оптимизация промптов",{"slug":29,"category":5,"name":30,"updated_at":24},"chain-of-density","Цепочка плотности (CoD)",{"slug":32,"category":5,"name":33,"updated_at":34},"chain-of-thought-prompting","Chain-of-thought-промптинг (промптинг с цепочкой рассуждений)","2026-08-24T02:46:36+00:00",{"slug":36,"category":5,"name":37,"updated_at":24},"chain-of-verification","Chain-of-Verification",{"slug":39,"category":5,"name":40,"updated_at":34},"chunking","Чанкинг (Chunking)",{"slug":42,"category":5,"name":43,"updated_at":34},"constrained-decoding","Ограниченное декодирование (Constrained Decoding)",{"slug":45,"category":5,"name":46,"updated_at":34},"context-stuffing","Переполнение контекста (Context Stuffing)",{"slug":48,"category":5,"name":49,"updated_at":34},"delimiter","Разделитель (Delimiter)",{"slug":51,"category":5,"name":52,"updated_at":24},"directional-stimulus-prompting","Directional Stimulus Prompting",{"slug":54,"category":5,"name":55,"updated_at":24},"emotion-prompting","Emotion Prompting",{"slug":57,"category":5,"name":58,"updated_at":34},"few-shot-prompting","Few-shot-промптинг (промптинг с примерами)"]