- Synergie logique : ReAct combine le raisonnement pas à pas et l’action concrète via des outils externes.
- Accès au monde réel : Cette méthode connecte l’IA à des API, des moteurs de recherche et des bases de données.
- Moins d’hallucinations : L’accès à des données fraîches réduit les erreurs factuelles des modèles.
- Auto-correction : L’agent ajuste sa trajectoire en cas de panne d’un outil ou d’erreur de calcul.
- Consommation de ressources : Ce procédé génère une latence plus forte et consomme plus de jetons (tokens).
Je rencontre souvent des ingénieurs confrontés au même mur. Leurs modèles d’intelligence artificielle génèrent des réponses absurdes dès que la tâche demande un calcul précis ou une information récente. C’est un grand classique.
Les modèles de langage prédisent des mots. Ils ne calculent pas, ils ne naviguent pas sur le web de leur propre chef.
C’est ici que ReAct entre en scène.
Qu’est-ce que le prompting ReAct ?
ReAct signifie Reasoning and Acting (Raisonnement et Action). Cette technique de prompt pousse le modèle à alterner entre deux phases : une réflexion logique et une action concrète dans le monde réel. L’IA n’essaie plus de deviner la réponse. Elle va la chercher.
Imaginez un cycle strict et fluide :
- Pensée (Thought) : Le modèle analyse la situation actuelle et planifie l’étape suivante.
- Action (Act) : Le modèle appelle un outil externe comme une calculatrice ou un moteur de recherche.
- Observation : Le système renvoie le résultat de l’outil dans l’historique de la discussion.
Ce cycle se répète. Jusqu’à l’obtention de la réponse finale.
Question : Quelle est la température actuelle à Paris et quelle est sa racine carrée ?
Un modèle classique échoue ou invente. Un agent ReAct résout le problème sans sourciller.
- Pensée : Je dois d’abord trouver la température actuelle à Paris, puis calculer sa racine carrée.
- Action : WeatherAPI[Paris]
- Observation : Température actuelle : 16°C.
- Pensée : La température est de 16. Je dois calculer la racine carrée de 16.
- Action : Calculator[sqrt(16)]
- Observation : 4.
- Pensée : J’ai toutes les informations.
- Réponse finale : La température actuelle à Paris est de 16°C, et sa racine carrée est 4.
Comparatif : Chain-of-Thought (CoT) vs ReAct
Ces deux méthodes structurent la pensée de l’IA, mais leurs architectures diffèrent.
| Caractéristique | Chain-of-Thought (CoT) | ReAct Prompting |
|---|---|---|
| Source des données | Mémoire interne du modèle issue de son entraînement. | Outils en temps réel, API et bases de données. |
| Cœur du fonctionnement | Logique interne et résolution par étapes textuelles. | Alliance logique entre réflexion et outils externes. |
| Gestion des pannes | Risque d’erreurs en cascade si une étape déraille. | Pivotement et adaptation si un outil échoue. |
| Usage idéal | Énigmes logiques, mathématiques de base. | Recherche d’informations fraîches, automatisation. |
Sous le capot : le jeton d’arrêt et l’anatomie d’un prompt
Les modèles ne savent pas utiliser d’outils par nature. Nous devons ruser. L’astuce réside dans la structure du prompt système et dans le contrôle du flux de texte.
Voici un exemple de prompt système pour configurer un agent ReAct :
Tu es un assistant logique doté d'outils. Tu dois résoudre le problème de l'utilisateur en alternant entre les étapes de Pensée, Action et Observation.
Outils disponibles :
- WebSearch[requête] : Cherche des données en temps réel sur internet.
- Calculator[expression] : Évalue des équations mathématiques.
Format obligatoire :
Pensée : [Ton raisonnement sur l'étape suivante]
Action : NomOutil[argument]
Observation : [NE GÉNÈRE PAS CETTE LIGNE. Attends la réponse du système]
Une fois la réponse trouvée, écris :
Réponse finale : [Ta réponse finale]La magie opère grâce au stop token (jeton d’arrêt). Lorsque l’IA écrit le mot Observation:, le script qui l’héberge coupe immédiatement la génération de texte. Le programme extrait l’argument demandé, lance la recherche ou le calcul, puis injecte le résultat réel juste après ce mot clé.
Enfin, il relance la génération du modèle. L’IA lit son propre historique mis à jour et poursuit sa tâche.
Exemple de comparaison
Posons cette question : Qui est le plus âgé entre le président actuel de la France et le président actuel des États-Unis ?
- Prompt Standard : L’IA répond de mémoire. Elle risque d’évoquer un ancien dirigeant si sa base de données date d’avant les dernières élections.
- Chain-of-Thought (CoT) : L’IA décompose. Elle liste les dates de naissance de sa base d’apprentissage. Mais elle reste aveugle aux changements récents.
- ReAct : L’IA cherche les dirigeants actuels sur le web, récupère leurs dates de naissance, calcule l’écart d’âge avec l’outil mathématique, puis livre un diagnostic rigoureux.
Les limites de cette approche
Le système n’est pas exempt de défauts.
- Coût élevé en jetons : Réinsérer l’historique complet à chaque tour de boucle consomme beaucoup de mémoire.
- Temps d’attente accru : Les appels d’API externes ajoutent de la latence. Comptez parfois 10 à 30 secondes pour une résolution complexe.
- Risque de boucles infinies : Si un outil renvoie une erreur inattendue, l’IA peut tourner en rond et vider vos crédits d’API.
L’architecture du code : le script d’orchestration Python
Dans un vrai logiciel, l’IA ne travaille pas seule. Un script Python sert d’orchestrateur. Il gère les interruptions et l’exécution des fonctions système.
# Définition des outils réels
def web_search(query):
return f"Résultat de recherche pour '{query}': Le président américain actuel en 2026 est..."
def calculator(expression):
return str(eval(expression))
# Association des commandes textuelles aux fonctions
tools = {
"WebSearch": web_search,
"Calculator": calculator
}
# Boucle d'orchestration ReAct
conversation_history = [system_prompt, user_question]
while True:
# On stoppe l'IA dès qu'elle tente d'écrire l'observation
ai_response = llm.generate(conversation_history, stop_tokens=["Observation:"])
conversation_history.append(ai_response)
if "Réponse finale:" in ai_response:
print(ai_response)
break
if "Action:" in ai_response:
tool_name, argument = parse_action(ai_response)
tool_output = tools[tool_name](argument)
# Injection du résultat réel dans l'historique
observation_text = f"Observation: {tool_output}\n"
conversation_history.append(observation_text)Résilience et auto-correction
L’un des plus grands atouts de ReAct réside dans sa capacité à rebondir face à l’échec. Si un service externe tombe en panne, l’IA utilise sa phase de réflexion pour trouver une solution de secours.
Pensée : Je dois vérifier le cours de l’action Apple.
Action : StockTicker[AAPL]
Observation : Erreur 401. Clé API invalide.
Pensée : Mon outil boursier ne fonctionne pas. Je vais passer par la recherche web classique pour obtenir cette valeur.
Action : WebSearch[Apple stock price today]
Observation : AAPL est évalué à 215.40 USD.
Réponse finale : Le cours actuel de l’action Apple est de 215.40 USD.
Quand devez-vous utiliser ReAct ?
Cette logique s’avère inutile pour les tâches linéaires et figées. Si votre application doit simplement lire une facture pour l’envoyer par e-mail, écrivez du code classique. C’est plus rapide.
Privilégiez ReAct dans ces situations :
- Tâches floues à étapes multiples.
- Prise de décision dépendante du contexte de l’utilisateur.
- Scénarios où l’IA doit analyser un e-mail reçu, interroger une base de données client, faire un calcul de remboursement, puis rédiger une réponse adaptée de manière autonome.
Un prompt système de production utilisant le format JSON
L’utilisation de crochets comme Tool[arg] pose parfois des soucis de lecture de caractères en Python. Le format JSON offre une bien meilleure stabilité lors du traitement des données.
Tu es un agent autonome capable de résoudre des tâches complexes. Tu dois alterner entre Pensée interne et Action externe.
Outils disponibles :
1. "WebSearch" : Cherche des informations récentes.
Format d'argument : {"query": "termes de recherche"}
2. "Calculator" : Effectue des calculs mathématiques.
Format d'argument : {"expression": "calcul comme 10 * 5"}
3. "DatabaseQuery" : Accède aux profils utilisateurs.
Format d'argument : {"user_id": "identifiant unique"}
Format strict à respecter à chaque étape :
Pensée : [Explique ce que tu cherches à faire et pourquoi]
Action : Nom de l'outil
Action Input: {"nom_argument": "valeur"}
Observation : [ARRÊTE-TOI ICI. Le système va inscrire la réponse de l'outil]
Une fois le but atteint, utilise ce format :
Réponse finale : [Ta réponse finale claire et rédigée]
Règles cruciales :
- Rédige toujours ta Pensée avant l'Action.
- Ne propose qu'une seule Action à la fois.
- Ne simule jamais le résultat de l'Observation.
C'est à toi !Ce format facilite la récupération des données côté serveur. Un simple script Python extrait la chaîne JSON et la convertit en dictionnaire exploitable sans risque d’erreur de syntaxe.