Definition: ReAct-Muster
Das ReAct-Muster ist eine Prompting- und Ablaufsteuerungstechnik, bei der ein Sprachmodell explizite Schlussfolgerungsschritte (Thought), Tool-Aufrufe (Action) und Tool-Ergebnisse (Observation) in einer iterativen Schleife abwechselt und KI-Agenten so befähigt, innerhalb einer Aufgabe zu denken, zu handeln und aus der Umgebung zu lernen.
Kernmerkmale des ReAct-Musters
ReAct verankert das Reasoning des Modells in realem Feedback: Jede Action erzeugt eine Observation, die das Modell vor dem nächsten Thought verarbeitet.
- Explizite Thought-Action-Observation-Spur in jedem Schritt
- Dynamischer Plan, der sich an Tool-Ergebnisse anpasst statt feststehenden Skripten zu folgen
- Natürlichsprachliche Gedankenschritte, verschränkt mit strukturierten Tool-Aufrufen
- Abbruchbedingung, wenn das Modell eine finale Antwort liefert oder ein Schrittlimit erreicht
ReAct-Muster vs. Chain-of-Thought
Chain-of-Thought-Prompting lässt ein Modell seine Überlegungen aussprechen, bleibt aber auf die Trainingsdaten beschränkt. ReAct erweitert Chain-of-Thought, indem jeder Gedankenschritt eine reale Aktion gegen ein externes System auslösen und das Ergebnis in den nächsten Schritt einspeisen kann. Praktisch bedeutet das: Ein ReAct-Agent kann aktuelle Preise nachschlagen, einen Datensatz in der Live-Datenbank lesen oder eine Altsystem-API aufrufen, während eine Chain-of-Thought-Antwort nur so aktuell ist wie die Modellgewichte.
Bedeutung des ReAct-Musters im Enterprise-KI-Umfeld
ReAct hat KI-Agenten von der Forschungsdemo zur verlässlichen Unternehmensautomatisierung gemacht. Im Originalpapier berichten Yao et al. von etwa halb so vielen Halluzinationen auf HotpotQA gegenüber reinem Chain-of-Thought und einer Steigerung der Erfolgsrate auf ALFWorld von 22 auf 71 Prozent. Der Bitkom KI-Monitor 2026 nennt, dass 68 Prozent der deutschen Unternehmen mit KI-Agenten-Pilotprojekten auf eine ReAct-artige Schleife aufsetzen.
Methoden und Verfahren für das ReAct-Muster
Der produktive Betrieb von ReAct braucht einen disziplinierten Prompt, ein Tool-Register und klare Abbruchregeln.
Prompt-Gerüst und Tool-Register
Der System-Prompt definiert das Format (Thought, Action, Action Input, Observation) und listet jedes Tool, das der Agent aufrufen darf, mit Name, Beschreibung und Eingabeschema. Tool-Beschreibungen sollten wie kurze Spezifikationen gelesen werden, nicht wie Marketingtext, weil das Modell sie als einzige Wahrheitsquelle behandelt.
- Jedes Tool in zwei Sätzen mit Ein- und Ausgabetypen beschreiben
- Pro Tool ein konkretes Beispiel geben, um das Format zu verankern
- Das Tool-Set auf die 5 bis 10 für die Aufgabe relevanten Tools begrenzen
Abbruchregeln und Schrittbudget
Unbegrenzte ReAct-Schleifen sind ein Risiko. Produktive Systeme begrenzen Iterationen, Tool-Calling-Zahl und Wandzeit und leiten die Aufgabe bei Budget-Überschreitung an einen menschlichen Prüfer weiter, statt den Agenten weiter kreisen zu lassen.
Fehlerbehandlung und Reflexion
Wirft eine Action einen Fehler, wird die Fehlermeldung zur nächsten Observation und das Modell kann mit korrigierten Parametern oder einem anderen Tool erneut versuchen. Fortgeschrittene Varianten ergänzen nach N Iterationen einen kurzen Reflexionsschritt, in dem der Agent seine eigene Spur prüft - häufig mit Techniken aus Reasoning-Modellen, um aus Sackgassen herauszufinden.
Wichtige Kennzahlen für das ReAct-Muster
ReAct messbar zu machen heißt, sowohl die Schleife selbst als auch das Geschäftsergebnis zu erfassen.
Operative Schleifenkennzahlen
- Durchschnittliche Schritte pro Aufgabe: 4 bis 8 bei gut geschnittenen Workflows
- Erfolgsquote der Tool-Aufrufe: über 95 Prozent bei stabilen APIs
- End-to-End-Latenz pro Aufgabe: 6 bis 15 Sekunden Median
- Anteil an Schrittbudget-Ausschöpfungen: unter 3 Prozent der Läufe
Strategische Wertkennzahlen
Unternehmen messen den Anteil ohne menschliche Übergabe abgeschlossener Aufgaben und die Nettozeitersparnis pro Workflow. Laut McKinsey State of AI 2026 liefern agentische Implementierungen auf ReAct-Basis 28 bis 45 Prozent Produktivitätsgewinn in strukturierter Wissensarbeit.
Qualitäts- und Erdungskennzahlen
Jede Aussage in der finalen Antwort sollte sich auf eine Observation zurückführen lassen. Unternehmen bewerten Agentenläufe nach Quellendeckung und faktischer Konsistenz, mit dem Ziel, über 95 Prozent aller Aussagen in echten Tool-Ausgaben zu verankern.
Risikofaktoren und Kontrollen bei dem ReAct-Muster
Weil ReAct Agenten handeln lässt, sind seine Fehler folgenreicher als die eines reinen Chatbots.
Endlosschleifen und ausufernde Kosten
Ohne harte Budgets kann ein Agent teure APIs im Kreis aufrufen. Die Schleifensteuerung muss Grenzen durchsetzen.
- Maximale Iterationen pro Aufgabe
- Maximale kumulierte Token- und Tool-Kosten pro Lauf
- Entdoppelung identischer Action-Input-Paare
Leckage der Reasoning-Spur
Das Thought-Feld enthält oft Zwischenannahmen über Kunden, Preise oder Daten. Logs müssen personenbezogene Daten vor der Speicherung redigieren, und die Gedankenspur darf Endnutzern nie angezeigt werden. Nach DSGVO und EU-KI-Verordnung gilt der Inhalt der Spur als Verarbeitungsergebnis und unterliegt denselben Lösch- und Auskunftsrechten wie andere personenbezogene Daten.
Tool-Missbrauch und Prompt Injection
Observations aus Tools können Anweisungen enthalten, die den nächsten Thought entführen. Kontrollen umfassen die Bereinigung von Tool-Ausgaben, allow-gelistete Tool-Schemata und einen Freigabeschritt für jede Action mit externen Nebenwirkungen.
Praxisbeispiel
Ein Präzisionsteile-Hersteller aus Baden-Württemberg mit 180 Mitarbeitern setzt einen ReAct-Agenten auf Superkind für eingehende Anfrage-E-Mails ein. Der Agent liest die E-Mail (Observation), überlegt, welche Teile gelistet sind, ruft das ERP für Preise und Bestand ab (Action), prüft die Kapazität im MES, entwirft das Angebot und reicht es zur Freigabe beim Vertrieb ein. Was früher 25 Minuten Kopieren und Einfügen pro Anfrage gekostet hat, ist jetzt eine 40-Sekunden-Schleife mit vollständigem Audit-Trail.
- Liest die Kunden-E-Mail und extrahiert Artikelnummern und Mengen
- Fragt ERP, MES und CRM über freigegebene Tool-Aufrufe ab
- Erstellt das Angebot in der Hausvorlage mit korrekten Preisen
- Legt den Entwurf einem menschlichen Prüfer vor dem Versand vor
Aktuelle Entwicklungen und Auswirkungen
ReAct wird erweitert und spezialisiert, während agentische Workflows reifen.
Reflexive und Planner-Executor-Varianten
Teams teilen die einzelne Schleife in einen Planner, der einen mehrstufigen Plan schreibt, und einen Executor, der ReAct pro Teilaufgabe ausführt.
- ReWOO entkoppelt Planung und Ausführung und senkt Token-Kosten um 30 bis 60 Prozent
- Reflexion ergänzt einen Kritik-Schritt, der Lernerfahrungen über Läufe hinweg speichert
- Tree-of-Thought erkundet mehrere Action-Zweige parallel
Native Tool-Nutzung in Frontier-Modellen
Moderne Large Language Models bieten mittlerweile native Tool-Use-APIs, die die ReAct-Schleife im Modell selbst implementieren und das Format aus dem Prompt heraus in die API-Schnittstelle verlagern.
Multi-Agenten-ReAct
Unternehmen schalten mehrere ReAct-Agenten unter einer Koordinatorinstanz zusammen, jeder mit eigenem Tool-Set und Fachgebiet, sodass eine einzelne Anfrage Vertrieb, Finanzen und Operations in einem Lauf abdecken kann.
Fazit
Das ReAct-Muster ist das leise Arbeitstier hinter der aktuellen Welle produktiver KI-Agenten. Die Verschränkung von Schlussfolgern und Handeln macht Agenten nachvollziehbar, debugbar und reparabel, wie es reines Chain-of-Thought nie war. Für den Mittelstand ist ReAct das Muster, das aus einem Chatbot einen Kollegen macht, der das ERP lesen, das Angebot entwerfen und zur Freigabe anhalten kann. Das nächste Kapitel geht weniger um neue Muster, sondern darum, ReAct sicher, günstig und im Unternehmensmaßstab zu betreiben.
Häufig gestellte Fragen
Welches Problem löst das ReAct-Muster?
ReAct verbindet die Argumentation eines Sprachmodells mit realen Aktionen, sodass es aktuelle Daten nachschlagen, mehrstufige Aufgaben ausführen und bei Fehlern korrigieren kann. Ohne ReAct kann ein LLM nur aus seinen Trainingsdaten antworten und weder Fakten überprüfen noch in Ihren Systemen handeln.
Wie unterscheidet sich ReAct von reinem Tool-Calling?
Reines Tool-Calling erlaubt einem Modell den Aufruf einer Funktion, erklärt aber nicht die Argumentation zwischen zwei Aufrufen. ReAct ergänzt vor jeder Action einen expliziten Thought-Schritt. Das macht den Agenten prüfbar, debugbar und besser an unternehmensspezifische Richtlinien angepasst, wie es die Transparenzpflichten der EU-KI-Verordnung fordern.
Lohnt sich ReAct für ein mittelständisches Unternehmen mit 150 Mitarbeitern?
Ja. ReAct ist das Standardmuster in den meisten No-Code- und Low-Code-Agentenplattformen, ein internes KI-Forschungsteam ist dafür nicht nötig. Ein fokussierter ReAct-Agent auf einem einzelnen Workflow wie Angebotsbearbeitung oder Rechnungsabgleich ist in vier bis sechs Wochen produktiv.
Wie passt ReAct zu DSGVO und EU-KI-Verordnung?
Die Thought- und Observation-Schritte berühren oft personenbezogene Daten. Die Schleife fällt deshalb unter die technischen Schutzmaßnahmen nach Artikel 32 DSGVO und die Transparenzregeln der EU-KI-Verordnung. Produktive Implementierungen protokollieren jeden Schritt, redigieren personenbezogene Daten aus Spuren und liefern Betroffenen auf Anfrage eine klar formulierte Zusammenfassung.
Was kostet der Betrieb eines ReAct-Agenten?
Die Kosten hängen von Modellklasse und Schleifenlänge ab. Eine typische Enterprise-ReAct-Aufgabe verbraucht 3.000 bis 8.000 Tokens über 4 bis 8 Schritte und kostet aktuell zwischen 2 und 15 Cent, oft eine Größenordnung unter den Vollkosten des manuellen Prozesses.
Brauchen wir eigene GPUs für einen ReAct-Agenten?
Nein. ReAct ist ein Muster, keine Infrastrukturentscheidung. Es läuft auf jeder gehosteten LLM-API, einschließlich EU-gehosteter Anbieter, die Daten in Europa halten und ein Training auf Kundendaten vertraglich ausschließen. Genau so betreibt Superkind seine Agenten für Kunden aus dem deutschen Mittelstand.