ReAct Framework (kependekan dari Reasoning and Acting) adalah pola perancangan AI Agent yang menggabungkan proses penalaran (reasoning) dan pengambilan tindakan (acting) secara bergantian dalam sebuah siklus berulang. Konsep ini pertama kali diperkenalkan dalam makalah penelitian pada 2022 dan sejak itu menjadi salah satu pola dasar paling banyak diadopsi dalam pembangunan AI Agent.
Siklus ReAct bekerja melalui tiga tahap yang berulang: Thought (agen bernalar tentang apa yang perlu dilakukan selanjutnya berdasarkan tujuan dan informasi yang tersedia), Action (agen mengambil tindakan konkret, seperti memanggil sebuah alat atau API), dan Observation (agen mengamati dan mencatat hasil dari tindakan tersebut). Siklus ini terus berulang—berpikir, bertindak, mengamati—hingga agen mencapai tujuan akhirnya.
Keunggulan utama pola ReAct dibanding pendekatan lain adalah kemampuannya menggabungkan penalaran verbal dengan interaksi dunia nyata. Sebelum ReAct, model AI cenderung hanya bisa bernalar tanpa bertindak (chain-of-thought murni) atau bertindak tanpa penalaran eksplisit. ReAct memungkinkan agen "berpikir keras" secara eksplisit sebelum setiap tindakan, yang membuat prosesnya lebih transparan, mudah dilacak, dan mudah dikoreksi jika terjadi kesalahan di tengah jalan.
Contoh konkret siklus ReAct: agen diminta mencari informasi terbaru tentang cuaca. Ia berpikir ("saya perlu data cuaca real-time, saya tidak punya akses langsung ke ini"), bertindak (memanggil API cuaca), mengamati (menerima hasil "27°C, cerah berawan"), lalu berpikir lagi ("informasi ini cukup untuk menjawab pertanyaan pengguna") sebelum akhirnya menyusun jawaban akhir.
Pola ReAct menjadi fondasi bagi banyak kerangka kerja (framework) pengembangan agen AI populer, dan sering dikombinasikan dengan pola-pola agentic workflow lain untuk membangun sistem yang lebih kompleks dan andal.