AI Ordbog
ReAct (Reasoning + Acting)
Framework der kombinerer AI-ræsonnement med handling i en iterativ loop.
Skrevet og redigeret af Kristian Primdal · Sidst opdateret 18. marts 2026Indhold
Hvad er ReAct?
ReAct (Reasoning + Acting) er et framework der lader AI-modeller veksle mellem at tænke og handle. I stedet for at generere et komplet svar i ét hop, gennemgår modellen en loop: tænk → handl → observer → tænk → handl → observer → … indtil opgaven er løst.
ReAct blev introduceret af Yao et al. (Princeton/Google) i 2022 og er det konceptuelle fundament for næsten alle moderne AI-agenter. Når Claude Code undersøger en kodebase, finder en bug og fikser den. Det er ReAct i praksis.
Det geniale ved ReAct er at det kombinerer to teknikker der hver især er stærke: chain-of-thought (ræsonnement) og tool use (handling). Sammen er de langt stærkere end hver for sig.
Hvordan fungerer ReAct?
ReAct-loopen har tre elementer:
- Thought (tanke). Modellen ræsonnerer: “Brugeren spørger om vejret i morgen i København. Jeg har brug for at søge efter vejrudsigten.”
- Action (handling). Modellen kalder et værktøj:
search_weather(city="Copenhagen", date="tomorrow") - Observation. Systemet returnerer resultatet: “Delvist skyet, 15°C, 20% chance for regn.”
Modellen bruger observationen til at formulere den næste tanke, og loopen gentages om nødvendigt.
ReAct vs. chain-of-thought
- Chain-of-thought ræsonnerer men handler ikke. Den tænker trin for trin men baserer alt på intern viden. Kan ikke hente ny information.
- ReAct ræsonnerer og handler. Den kan søge, verificere, beregne og interagere med verden. Svarene er baseret på aktuelle data, ikke kun træningsdata.
Tænk på det som forskellen mellem at løse et problem i hovedet (CoT) og at løse det med adgang til en computer, en lommeregner og en søgemaskine (ReAct).
ReAct i praksis
- AI-agenter. Næsten alle AI-agenter bruger en variant af ReAct. Claude Code tænker (“denne fil ser ud til at indeholde buggen”), handler (læser filen), observer (finder fejlen), tænker (“jeg skal ændre linje 42”) og handler (ændrer filen).
- Research. AI-research-assistenter bruger ReAct til at søge information fra flere kilder, syntetisere fund og producere rapporter.
- Kundesupport. AI-assistenter tænker (“kunden spørger om deres ordre”), handler (slår ordren op i systemet), observer (finder status) og svarer med præcise data.
- Kodning. Kodningsagenter ræsonnerer over opgaven, skriver kode, kører tests, observer fejl og itererer.
Varianter af ReAct
- ReWOO. Planlægger alle handlinger på forhånd i stedet for at interleave ræsonnement og handling. Mere effektivt men mindre fleksibelt.
- LATS (Language Agent Tree Search). Kombinerer ReAct med tree search for at udforske flere handlestier parallelt.
- Reflexion. Tilføjer selvrefleksion: agenten evaluerer sine egne handlinger og lærer af fejl.
ReAct er agentens operativsystem ReAct-mønsteret er så fundamentalt at det næsten er usynligt. Ligesom et operativsystem. Når du bruger en AI-agent, tænker du ikke “den bruger ReAct nu.” Men under overfladen veksler den konstant mellem tanke og handling. Det er det mønster der gør agenter mulige, og det er svært at forestille sig agenter uden det.
FAQ
Hvad er ReAct?
ReAct (Reasoning + Acting) er et framework der lader AI-modeller veksle mellem at ræsonnere (tænke) og handle (bruge værktøjer) i en iterativ loop. Det er grundlaget for moderne AI-agenter og kombinerer fordelene ved chain-of-thought og tool use.
Hvad er forskellen på ReAct og chain-of-thought?
Chain-of-thought ræsonnerer kun. Modellen tænker trin for trin men kan ikke hente ny information. ReAct tilføjer handling: modellen kan søge, kalde API'er og bruge værktøjer som en del af sit ræsonnement.
Bruger ChatGPT og Claude ReAct?
Ja, når de bruger værktøjer (browsing, kode-kørsel, filsøgning) bruger de varianter af ReAct-mønsteret. Modellen ræsonnerer over behovet for et værktøj, kalder det, observer resultatet og fortsætter.