ReAct (Reasoning + Acting) é um padrão de agente proposto em paper de 2022 que se tornou base de praticamente todos agentes LLM modernos. A ideia: o agente alterna entre dois modos — pensar sobre o que fazer (Reason) e executar uma ação (Act) — em loop, observando o resultado de cada ação antes de decidir o próximo passo.
Estrutura típica:
Pergunta: Qual o GDP do Brasil dividido pela população?Thought: Preciso buscar o GDP atual e a população atual do Brasil. Action: search("GDP do Brasil 2025") Observation: GDP do Brasil em 2025: US$ 2,4 trilhões.
Thought: Agora preciso da população. Action: search("população do Brasil 2025") Observation: População do Brasil em 2025: 215 milhões.
Thought: Posso calcular: 2.400.000.000.000 / 215.000.000 = 11.163. Action: finish("GDP per capita do Brasil em 2025: ~US$ 11.163.") ```
Por que ReAct funciona:
- Pensamento explícito: força o modelo a planejar antes de agir, reduzindo erros.
- Observabilidade: você vê o raciocínio, pode debugar.
- Composição: tarefas complexas viram sequência de passos simples.
- Auto-correção: se uma ação falha, o modelo raciocina e tenta diferente.
- Generaliza bem: funciona para web search, code, analysis, navegação.
Variações modernas:
- ReAct + reflection: depois de N passos, modelo critica progresso.
- ReAct + planning: gera plano completo, depois executa step por step.
- ReAct + memory: usa memória de longo prazo entre tarefas.
- Tree of Thoughts: explora múltiplos caminhos em árvore.
- Graph of Thoughts: estruturas mais complexas.
Frameworks que implementam ReAct:
- LangChain Agents (clássico).
- LlamaIndex.
- CrewAI.
- AutoGen.
- Pydantic AI.
- Vercel AI SDK (para JS/TS).
- Próprio (muitas equipes hoje implementam ReAct sem framework, é simples).
Cuidados:
- Loop infinito: agente preso. Sempre tenha max_iterations.
- Custo crescente: cada loop consome tokens. Defina limites.
- Falha em compor: agente pode não conseguir combinar ferramentas. Few-shot ajuda.
- Hallucination de observação: às vezes modelo "inventa" o que ferramenta retornou. Validação ajuda.
Para o profissional brasileiro:
- Padrão para começar: se você não sabe que padrão usar, comece com ReAct.
- Combine com tools brasileiros: agente ReAct chamando Bling, RD Station, Mercado Pago.
- Para programação: Cursor Composer e Claude Code são ReAct sofisticado.
- Para SAC: agente que consulta CRM, base de conhecimento e age.
Em 2026, ReAct é tão fundamental para agentes quanto MVC é para web frameworks. Você pode ter abstrações em cima, mas o padrão por baixo é ReAct. Entender bem te coloca em vantagem para arquitetar sistemas agentes confiáveis.