ReAct (Reason + Act)

DefinitionAgentenmuster: Denken und Tool-Nutzung in iterativen Schritten.

ReAct (Reason + Act) ist ein Agentenmuster für AI Agents (KI-Agenten), bei dem ein Large Language Model (LLM) Aufgaben in wiederholten Schleifen aus Denken (Reason) und Handeln (Act) löst. Dabei kombiniert das Modell schrittweises Schlussfolgern mit gezielter Tool-Nutzung (z. B. Suche, Datenbank, API), um verlässlichere Ergebnisse zu erzeugen und Fehler zu reduzieren.

Was bedeutet ReAct (Reason + Act)?

„Reason“ steht für das strukturierte Herleiten eines nächsten sinnvollen Schritts, „Act“ für das Ausführen einer Aktion über Tools oder Funktionen. In der Praxis heißt das: Das Modell plant nicht alles im Voraus, sondern entscheidet iterativ, welche Information fehlt, holt sie per Tool nach und passt die Lösung dynamisch an.

Wie funktioniert ReAct?

1) Ziel klären: Das Modell interpretiert die Anfrage und definiert ein Zwischenziel (z. B. „Ich brauche aktuelle Daten“).
2) Reason (Denkschritt): Es leitet ab, welche Information oder Operation als Nächstes nötig ist.
3) Act (Tool-Schritt): Es nutzt Function Calling / Tool Use (z. B. Websuche, CRM-API, Rechner, Datenbankabfrage).
4) Beobachtung auswerten: Die Tool-Antwort wird als neue „Beobachtung“ in den Kontext aufgenommen.
5) Iterieren bis zur Lösung: Die Schleife wiederholt sich, bis ein belastbares Ergebnis vorliegt (oder ein Abbruchkriterium greift).

Warum ist ReAct wichtig?

ReAct adressiert ein Kernproblem generativer Modelle: Sie können ohne externe Quellen plausibel klingende, aber falsche Inhalte erzeugen (siehe Halluzinationen (Hallucinations)). Durch Tool-Nutzung kann ein Agent Fakten nachschlagen, Berechnungen auslagern oder Live-Daten abrufen. Das macht Antworten oft aktueller, prüfbarer und handlungsorientierter. In Kombination mit RAG (Retrieval-Augmented Generation) kann ReAct zusätzlich interne Wissensquellen (Dokumente, Wikis) einbeziehen, statt nur „aus dem Gedächtnis“ zu antworten.

Beispiele aus der Praxis (LLM, ChatGPT, Automation)

Support-Agent: Der Agent erhält eine Kundenfrage, ruft per RAG passende interne Artikel ab, prüft den Vertragsstatus via API und formuliert dann die Antwort in ChatGPT-ähnlicher Qualität.
Marketing-Workflow: Ein Agent sammelt Wettbewerberdaten (Tool), extrahiert Kernaussagen, erstellt Entwürfe und legt Aufgaben in einem Projekttool an.
n8n-Automatisierung: In n8n kann ReAct als Logik dienen: Der Agent entscheidet iterativ, welche Node/Integration als Nächstes ausgeführt wird (z. B. „erst CRM prüfen, dann E-Mail senden“), statt einen starren Ablauf zu erzwingen.

Abgrenzung & Grenzen

ReAct ist kein einzelnes Produkt, sondern ein Muster, das häufig mit Prompt Engineering und Tool-Integrationen umgesetzt wird. Grenzen entstehen durch Tool-Fehler, unklare Berechtigungen, Latenz und Governance-Anforderungen (z. B. Datenschutz (DSGVO/GDPR) & KI oder AI Governance). Gute Implementierungen nutzen daher Logging, Tests, klare Abbruchregeln und Sicherheitsmechanismen (z. B. erlaubte Tool-Listen).

20–35%
schnellere Bearbeitung
ReAct-ähnliche Agenten verkürzen in KMU häufig die Bearbeitungszeit bei mehrstufigen Wissens- und Supportprozessen, weil Denken und Tool-Aufrufe strukturiert kombiniert werden.
15–30%
weniger Fehlversuche
Durch iterative Schritte mit Zwischenergebnissen sinkt bei B2B-Anwendungen oft die Zahl unbrauchbarer Antworten oder abgebrochener Prozessläufe, etwa bei Recherche, Ticketing oder Datenabfragen.
2–4 Wochen
typische Pilotdauer
Für KMU lässt sich ein erster ReAct-Pilot meist in wenigen Wochen umsetzen, wenn bestehende Tools wie CRM, Helpdesk oder Wissensdatenbanken per API angebunden werden.

Support-Anfragen mit Rückfragen und Wissensdatenbank automatisch bearbeiten
Ein KMU im Software- oder Maschinenbau-Support nutzt ReAct, damit ein Assistenzsystem eingehende Tickets zuerst analysiert, fehlende Informationen per Rückfrage einholt und danach gezielt interne Wissensdatenbanken oder Handbücher durchsucht. So entstehen präzisere Erstantworten, und einfache Fälle werden direkt gelöst, während komplexe Tickets sauber an den richtigen Servicemitarbeiter eskaliert werden.
Vertriebschancen qualifizieren und nächste Aktionen vorbereiten
Ein B2B-Vertriebsteam in einem KMU setzt ReAct ein, um neue Leads schrittweise zu bewerten: Der Agent prüft Firmendaten, recherchiert Branche und Unternehmensgröße, ergänzt CRM-Informationen und schlägt anschließend passende nächste Schritte vor. Dadurch erhalten Vertriebsmitarbeiter keine bloßen Datenlisten, sondern direkt umsetzbare Empfehlungen für Ansprache, Priorisierung und Terminvorbereitung.
Bestellabweichungen in der Lieferkette eigenständig prüfen
Ein Handels- oder Produktionsunternehmen nutzt ReAct, um bei verspäteten oder unvollständigen Lieferungen systematisch Ursachen zu ermitteln. Der Agent vergleicht Bestellungen mit ERP-Daten, prüft Lieferantenmeldungen, identifiziert Abweichungen und erstellt konkrete Handlungsvorschläge für Einkauf oder Disposition, etwa Nachbestellung, Lieferantenkontakt oder Anpassung von Lieferterminen.

Häufig gestellte Fragen

Wie funktioniert ReAct (Reason + Act) bei AI Agents?

ReAct ist ein Agentenmuster, bei dem ein Large Language Model in wiederholten Schleifen aus Denken und Handeln arbeitet. Das Modell leitet zuerst den nächsten sinnvollen Schritt her und nutzt dann gezielt Tools wie Suche, Datenbanken oder APIs, um Informationen zu prüfen und Aufgaben zuverlässiger zu lösen.

Was sind die Vorteile von ReAct gegenüber reinem Prompting?

ReAct kombiniert schrittweises Schlussfolgern mit echter Tool-Nutzung und liefert dadurch oft verlässlichere Ergebnisse als reines Prompting. Besonders bei mehrstufigen Aufgaben, Recherche, Datenabfragen oder Automationen hilft das Muster, Fehler zu reduzieren und Entscheidungen nachvollziehbarer zu machen.

Ist ReAct für mein Unternehmen nicht zu technisch oder zu aufwendig?

Nicht unbedingt – entscheidend ist, ob der Prozess überhaupt KI- und agentenfähig ist. In meiner KI-Beratung prüfen wir mit dem PUR-Framework, wo ReAct wirklich sinnvoll ist, und ich übernehme Konzeption, Tool-Auswahl und Umsetzung so, dass dein Team keine unnötige Komplexität aufbauen muss.

Brauche ich für ReAct eigene Entwickler oder eine interne IT-Leitung?

Nein, nicht zwingend. Wenn dir intern technisches Sparring fehlt, begleite ich dich als externer CTO, bewerte passende Tools und Architekturen und sorge dafür, dass du fundierte Entscheidungen triffst, ohne sofort ein eigenes KI- oder Dev-Team aufbauen zu müssen.

Wie finde ich heraus, ob ReAct in meiner bestehenden Tool-Landschaft überhaupt sinnvoll integrierbar ist?

Genau dafür ist das Tech-Gutachten gedacht. Ich analysiere in kurzer Zeit deine aktuelle Systemlandschaft, Prozesse und Schnittstellen und zeige dir konkret, wo ReAct, Automationen oder RAG-Systeme echten Mehrwert bringen – und wo nicht.

Kann ReAct auch direkt in operative Systeme wie CRM oder Projektmanagement eingebaut werden?

Ja, wenn die technische Basis sauber aufgebaut ist. Mit der Tech-Umsetzung auf OrbitOS integriere ich CRM, Projektmanagement, Content, KI-Assistenten und Dashboards in ein funktionierendes Gesamtsystem, inklusive Datenmigration, Automationen und Schulung deines Teams.

Lohnt sich ReAct wirtschaftlich oder ist das nur ein KI-Trend?

Das hängt vom Prozess, der Umsetzbarkeit und dem erwarteten ROI ab – genau das prüfen wir strukturiert, statt blind einem Hype zu folgen. Mein Fokus liegt auf funktionierenden KI-Lösungen mit klarem Nutzen: weniger manuelle Arbeit, bessere Datenzugriffe und verlässlichere Ergebnisse im Tagesgeschäft.