AI EngineeringReAct (Yao et al. 2022) kết hợp Reasoning (suy luận bằng CoT) với Acting (gọi tool/API lấy thông tin bên ngoài). Model lặp vòng: Thought → Action → Observation → Thought → ... cho đến khi có đủ dữ kiện để trả lời.
Ví dụ workflow:
Question: "GDP Việt Nam 2024 gấp bao lần Lào?"
Thought: Cần tra GDP VN và Lào.
Action: search("GDP Vietnam 2024")
Observation: 476 tỷ USD
Thought: Giờ tra Lào.
Action: search("GDP Laos 2024")
Observation: 15.8 tỷ USD
Thought: 476 / 15.8 ≈ 30.1.
Answer: Khoảng 30 lần.Ưu điểm:
- Giảm hallucination do dùng dữ kiện thực.
- Minh bạch (traceable reasoning).
- Kết hợp được nhiều tool (search, calculator, DB query, code execution).
Đây là nền tảng cho hầu hết AI agent hiện tại (LangChain Agent, LlamaIndex Agent, OpenAI Assistants).
Nhược điểm:
- Latency cao (nhiều round-trip LLM call).
- Chi phí token lớn.
- Dễ kẹt vòng lặp nếu tool trả kết quả không rõ — cần đặt max_iterations và timeout.
ReAct (Yao et al. 2022) combines Reasoning (CoT) with Acting (calling tools/APIs for external info). The model loops: Thought → Action → Observation → Thought → ... until it has enough to answer.
Example workflow:
Question: "How many times is Vietnam's GDP larger than Laos' in 2024?"
Thought: Need VN and Laos GDP.
Action: search("GDP Vietnam 2024")
Observation: $476B
Thought: Now Laos.
Action: search("GDP Laos 2024")
Observation: $15.8B
Thought: 476 / 15.8 ≈ 30.1.
Answer: About 30x.Pros:
- Less hallucination since it uses real data.
- Transparent (traceable reasoning).
- Composes many tools (search, calculator, DB, code exec).
It underpins most current AI agents (LangChain Agent, LlamaIndex Agent, OpenAI Assistants).
Cons:
- High latency (many LLM round-trips).
- High token cost.
- Risks looping if tools return ambiguous results — always set max_iterations and timeout.