Paradigma de diseño para agentes de IA que combina de forma intercalada trazas de razonamiento verbal consciente con acciones sobre herramientas externas.
Explicación y Contexto Conceptual
El marco ReAct (Reasoning and Acting), publicado por investigadores de la Universidad de Princeton y Google Research en 2022, es la arquitectura cognitiva más influyente para la construcción de agentes inteligentes. Antes de ReAct, los modelos o bien solo razonaban en abstracto (Chain-of-Thought sin interactuar con el entorno) o bien actuaban a ciegas ejecutando herramientas sin reflexionar previamente.
ReAct intercala ambos procesos en un ciclo virtuoso y transparente:
- **Pensamiento (Thought)**: 'Necesito averiguar cuál fue el ROAS de la campaña de verano para compararlo con el objetivo'.
- **Acción (Action)**: Ejecuta una consulta a la API de Meta Ads.
- **Observación (Observation)**: 'El ROAS obtenido fue 2.8x'.
- **Nuevo Pensamiento**: '2.8x está por debajo de la meta de 3.5x; ahora debo analizar qué creativos tuvieron el CPA más alto'.
Esta alternancia constante permite a los auditores humanos supervisar y depurar la lógica paso a paso del agente publicitario, garantizando explicabilidad total.
Ejemplo en la Práctica
Un agente ReAct investiga precios de la competencia: Pensamiento: Debo buscar en Google los precios de X. Acción: search('precio producto x'). Observación: Cuesta $80. Pensamiento: Nuestro precio es $75, redactaré un anuncio destacando ahorro.