ReAct：交錯思考與行動，但不能把 few-shot 迴圈當成 Agent runtime

若要先看這篇在 ReAct 家族裡站在哪一節，見 Agent 方法底座閱讀地圖。

90 秒掌握論文 / The paper in 90 seconds

• 問題：LLM 的推理（Chain-of-Thought）與行動（WebGPT、SayCan）被當成兩條分開的線。CoT 不接觸環境；Act-only 能查外部，卻沒有高層計畫與例外處理。
• 核心洞見：把語言 thought 加進 action space。thought 不改環境、不產生環境 observation，只更新 context；再與環境動作交錯。決策點從「只想」或「只做」改成「同一條軌跡裡決定下一步是對自己說話，還是碰外部世界」。
• 最強證據：ALFWorld best-of-6 ReAct 71% vs Act 45%、BUTLER best-of-8 37%；WebShop SR 40.0 vs IL+RL 28.7。HotpotQA 人工分析中，CoT 失敗案例有 56% 是幻覺，ReAct 為 0%（Table 2）。
• 主要邊界：HotpotQA PaLM-540B 的純 ReAct EM 27.4，低於 CoT 29.4。35.1／64.6 是 ReAct↔CoT-SC 切換。few-shot prompt，Wikipedia API 只有 search／lookup／finish。這不是可部署 runtime。

我的結論是：ReAct 最值得保留的貢獻，是讓 thought、action 與 observation 形成可檢查的執行軌跡。論文只使用 1–6 條人工示範與三種 Wikipedia 動作，不能直接代表今日可部署的 Agent 框架。

版本與閱讀範圍 / Version and reading scope

本文讀的是 Yao et al., ICLR 2023 對應的 arXiv:2210.03629 v3。v3 PDF 與 arXiv HTML 標示 CC BY 4.0。

除摘要外，本文核對 Section 2 的 action-space 定義、Section 3 的 Wikipedia API 與 Table 1–2、Section 4 的 ALFWorld／WebShop，以及 Appendix A–E 的 GPT-3、人工校正與 Colorado orogeny 軌跡。截至 2026-08-27，project page 與 ysymyth/ReAct 仍可開啟。

這是已發表的 ICLR 論文，不是 preprint。它也不是一份 runtime 規格。

讀者真正要回答的問題

當一個語言模型既會「想」又會「做」時，應不應該把它們拆成兩套系統？ReAct 的回答是否定的：同一條 few-shot 軌跡裡，模型要交替產生 verbal thought 與環境動作。

比較精確的讀法不是「ReAct 是不是比 CoT 強」，因為 Table 1 在 HotpotQA 上並非如此。真正的問題是：把 thought 當成一種不碰環境的合法動作之後，模型能不能用外部 observation 修正計畫，又會在哪裡因為工具太弱、步驟上限或重複生成而失敗？

證據地圖 / Evidence map

層次	本文採用的說法
論文直接支持	Section 2 把 action space 擴成 $\hat{\mathcal{A}}=\mathcal{A}\cup\mathcal{L}$；Table 1 給出 PaLM-540B 的 prompting 數字；Table 2 給出 200 條人工標註的成功／失敗類型；Table 3–4 給出 ALFWorld 與 WebShop；Figure 3 顯示 8B／62B 的 finetune 方向。
作者主張	交錯 reasoning 與 acting 能同時提升 groundedness、可解釋性與部分決策任務成功率；abstract 的 +34%／+10% 來自 ALFWorld 與 WebShop 的指定比較。
論文未證明	few-shot ReAct 不是可部署 Agent runtime；Wikipedia 三動作不是企業 tool 介面；PaLM-540B 的完整實驗一般讀者無法重跑；HotpotQA 純 ReAct 並未勝過 CoT。
Bloss0m 工程判斷	把 ReAct 當成 auditable thought–action–observation 契約來實作；不要把 Wikipedia 的 search／lookup／finish 接到有副作用的工具。

後文把數字、作者 claim 與工程判讀分開。「提升」只指論文報告的 setup。

先前方法為何不足 / Why the previous approach is insufficient

Section 1 把 2022 年的兩條線寫得很清楚。

只推理：Chain-of-Thought 讓模型產生多步 thought，但整個過程是靜態黑箱。模型只用內部 representation，沒有外部 grounding，因此難以依環境回饋修正，也容易把幻覺事實一路傳到答案（Figure 1(1b)）。

只行動：WebGPT、SayCan 這類工作把觀察轉成文字、再讓語言模型產生 domain-specific action。它們通常不要求模型用語言維持高層目標或 working memory。Inner Monologue 有一點 verbal feedback，但論文認為它主要是複述環境狀態與尚未完成的子目標，不是彈性的內部推理。

因此，舊方法不夠的地方不是「模型不夠大」，而是決策規則被切開了：CoT 的下一步只能是另一句 thought；Act 的下一步只能是環境動作。ReAct 改的正是這個控制點。

核心直覺 / Core intuition

先不要看公式。想像一個人在廚房：切完菜以後，他可以對自己說「現在該燒水了」（thought），也可以打開冰箱確認還有沒有鹽（action）。前一句話不會讓爐火自己點燃；後一個動作才改變世界，並帶來新的 observation。

ReAct 把這個分工寫進 decoder 的合法下一步：

• Thought：對當前 context 做計畫、抽取、常識推理、例外處理。環境不變。
• Action：search、走路、點擊商品。環境會回來一句 observation。
• Observation：唯一能把外部事實寫進 context 的通道。

CoT 只有第一種下一步，所以答錯時常常是「自信地編造」。Act-only 只有第二種，所以即使 Wikipedia 已經把關鍵句找出來，模型仍可能無法合成最終答案。Figure 1 的 Apple Remote 例子就是這個對比：Act 找到了 Front Row，最後卻 Finish 成錯誤答案；ReAct 用 thought 把 observation 收成 “keyboard function keys”。

用一個例子走完整個方法 / Walk one example through the method

以下是 Appendix C.1 的人工 exemplar，不是獨立實驗結果。題目是 HotpotQA：What is the elevation range for the area that the eastern sector of the Colorado orogeny extends into? 標準答案是 1,800 to 7,000 ft。

1. Input：只有這句問題。沒有 support paragraph。Wikipedia API 的合法環境動作只有 search[entity]、lookup[string]、finish[answer]。
2. Intermediate representation：context $c_t$ 是到目前為止的 Thought／Action／Observation 字串。Thought 1 先把問題拆成「先找 Colorado orogeny，再找 eastern sector 延伸到哪，再找該地區海拔」。這句話不送進 Wikipedia，只附加到下一步的 prompt。
3. Model or system decision：Action 1 Search[Colorado orogeny] 才碰環境。Observation 1 只回 wiki page 的前五句，沒提到 eastern sector。Thought 2 決定改 Lookup[eastern sector]。Observation 2 說 eastern sector 延伸到 High Plains。Thought 3 決定 Search[High Plains]，但 Observation 3 是消歧義頁（兩個不同地區）。Thought 4 因此改搜 High Plains (United States)。
4. Output：Observation 4 寫出 High Plains 海拔約 1,800 to 7,000 ft。Thought 5 合成答案，Action 5 Finish[1,800 to 7,000 ft]。
5. Likely failure point：若模型在 Observation 3 的消歧義頁就 Finish，或 lookup／search 回空、回不相關句子，軌跡就會脫軌。Table 2 把這類失敗記成 search result error（ReAct 失敗案例的 23%）。另一個論文點名的失敗是重複生成同一組 thought／action，被算進 reasoning error（47%）。

同一個 Appendix C.1 裡，Act-only exemplar 最後也能 Finish 出同一段海拔。所以這條 Colorado 軌跡教的是機制怎麼走完，不是「沒有 thought 就一定失敗」。要看 thought 改變終局，應回到 Figure 1 的 Apple Remote，或 Appendix D.2 的 ALFWorld knife：Act 找到刀子後，沒先走到 sinkbasin 就嘗試 clean，接著卡在重複指令。

技術機制 / Technical mechanism

Section 2 從一般 agent 寫起。時刻 $t$，agent 收到 observation $o_t\in\mathcal{O}$，並依政策 $\pi(a_t\mid c_t)$ 選動作 $a_t\in\mathcal{A}$。context 是到目前為止的軌跡：

$$c_t=(o_1,a_1,\ldots,o_{t-1},a_{t-1},o_t).$$

當 $c_t\mapsto a_t$ 很隱含時，只靠「看完整段軌跡再猜下一個環境動作」會失敗。Figure 1(1c) 的 Act-only 即使有 Act 1–3 與 Obs 1–3，仍無法產生正確的最終 Finish；Figure 1(2a) 則無法從 context 讀出 sinkbasin 裡沒有 peppershaker，於是重複幻覺動作。

ReAct 的核心改動是擴張 action space：

$$\hat{\mathcal{A}}=\mathcal{A}\cup\mathcal{L}.$$

符號怎麼運作：

• $\mathcal{A}$：會改變環境的任務動作。HotpotQA／FEVER 是 Wikipedia 的 search／lookup／finish；ALFWorld 是 go to／take／clean／put；WebShop 是 search／click。
• $\mathcal{L}$：自由語言空間。其中一個元素 $\hat{a}_t\in\mathcal{L}$ 稱為 thought。
• thought 不影響外部環境，因此沒有環境 observation。它做的是對 $c_t$ 做推理，再把自身寫回 context：

$$c_{t+1}=(c_t,\hat{a}_t).$$

• 環境動作才會讓 Wikipedia、房間或商品頁回傳 $o_{t+1}$，並把 $o_{t+1}$ 接進下一輪 $c_{t+1}$。

增加 thought 的次數，等於把更多可檢查的工作記憶寫進 prompt；這可以提高計畫與例外處理的空間，但也拉長 context，並讓 greedy decoding 更容易陷入「重複同一句 Thought／Action」的迴圈。減少 thought、只留 $\mathcal{A}$，就是 Act-only：環境訊號還在，但模型沒有合法的「對自己更新計畫」這一步。

論文還依任務密度調整 thought 出現方式。知識推理任務用密集的 thought–action–observation 交替，因為每一步都要決定查什麼。決策任務動作可能超過 50 步，thought 改成稀疏，由語言模型自己決定何時 think、何時 act。Inner Monologue 式的 ReAct-IM ablation 把 thought 限縮成環境回饋與當前子目標，結果 ALFWorld best-of-6 從 71 掉到 53（Table 3），說明「有內在獨白」不等於「有能改計畫的 thought」。

Wikipedia 三動作：被故意做弱的 $\mathcal{A}$

Section 3.1 的環境不是 BM25，也不是 dense retriever：

1. search[entity]：若頁面存在，回傳該 entity wiki page 的前五句；否則回 Wikipedia search engine 的 top-5 similar entities。
2. lookup[string]：在當前頁找出包含該字串的下一句，模擬瀏覽器 Ctrl+F。
3. finish[answer]：結束任務並交出答案。

作者明說這比當時的 lexical／neural retriever 弱很多：大多只能依精確頁名取回一小段。目的是模擬人怎麼查 Wikipedia，並強迫模型用語言說明下一步為什麼要查。截至 2026-08-27，公開的 wikienv.py 會對 https://en.wikipedia.org/w/index.php?search= 發 live request；think[] 只回 "Nice thought."，不改頁面狀態。HotpotQA 主實驗的 prompt 格式則是 Thought n / Action n / Observation n，thought 走 $\mathcal{L}$，不必假裝自己是 Wikipedia 動作。

Prompt 規模也很小：HotpotQA 6 條、FEVER 3 條人工軌跡；ALFWorld 每種任務 3 條，再從中取 2 條做 6 種排列以測 prompt 穩健性；WebShop 是 one-shot。作者寫更多 exemplar 不會再提升 QA 表現。解碼主結果用 greedy；CoT-SC 才用 temperature 0.7 抽 21 條。

Figure 1，論文 Section 1：左半是同一道 HotpotQA 題，CoT 在內部知識裡幻覺、Act 查到 Front Row 卻無法正確 Finish，ReAct 用 thought 把 observation 收成答案；右半是 ALFWorld，Act 卡在「Nothing happens」，ReAct 用稀疏 thought 改搜尋地點。原圖可定位到 Figure 1，SVG endpoint 為 teaser-new.svg。取自 arXiv HTML，頁面標示 CC BY 4.0。

實驗如何讀 / How to read the evidence

四個 benchmark 問的不是同一件事。HotpotQA 與 FEVER 是 question-only：模型看不到 gold paragraph，只能靠內部知識或 Wikipedia API。ALFWorld 是 134 個 unseen text game，專家政策可能超過 50 步。WebShop 有 1.18M 商品與 12k 人類指令，在 500 條 test instruction 上報 average score 與 success rate。

主模型是凍結的 PaLM-540B。QA 的 baseline 由同一組 ReAct 軌跡剝除欄位而成：Standard 去掉 thought／action／observation，CoT 去掉 action／observation，Act 去掉 thought。這讓 Table 1 比較的是同一條人工軌跡的不同可見部分，不是四套獨立標註。

Table 1：HotpotQA 沒有讓純 ReAct 贏

這張表問：在 PaLM-540B、few-shot prompting 下，只想、只做、交錯，或兩者切換，EM／Acc 會怎麼變？控制住的是模型與 exemplar 來源；改的是 prompt 裡看不看環境、看不看 thought。

Prompt method	HotpotQA EM	FEVER Acc
Standard	28.7	57.1
CoT	29.4	56.3
CoT-SC	33.4	60.4
Act	25.7	58.9
ReAct	27.4	60.9
CoT-SC → ReAct	34.2	64.6
ReAct → CoT-SC	35.1	62.0
Supervised SoTA	67.5	89.5

觀察：ReAct 穩定高於 Act（27.4 vs 25.7；60.9 vs 58.9），支持「thought 有助合成最終動作」。FEVER 上 ReAct 高於 CoT（60.9 vs 56.3），符合「SUPPORTS／REFUTES 可能只差一點，需要查新事實」。HotpotQA 上純 ReAct 27.4 低於 CoT 29.4，也低於 Standard 28.7。最佳 prompting 列是切換：HotpotQA 的 35.1 是 ReAct→CoT-SC，FEVER 的 64.6 是 CoT-SC→ReAct。兩者都遠低於 supervised SoTA 67.5／89.5。

切換規則在 Section 3.2：ReAct→CoT-SC 是 ReAct 在步數上限內交不出答案就退回 CoT-SC（HotpotQA 7 步、FEVER 5 步）；CoT-SC→ReAct 是 $n$ 個 CoT-SC sample 的多數答案出現次數少於 $n/2$ 時改走 ReAct。這不是學到的 router，是啟發式 backoff。

這張表不能支持「ReAct prompting 在多跳 QA 全面勝過 CoT」，也不能把 35.1／64.6 寫成純 ReAct。

Figure 2，論文 Section 3.3：左為 HotpotQA EM、右為 FEVER Acc。兩條 ReAct↔CoT-SC 曲線在多數 sample 數上高於純 CoT-SC；虛線是純 ReAct 與純 CoT 的水平基準。原圖可定位到 Figure 2，取自 cots_scale.svg 與 fever_cots_scale.svg。arXiv HTML 標示 CC BY 4.0。

Table 2：分數反向時，失敗類型仍支持 groundedness

作者從 ReAct 與 CoT 各抽 50 條 EM 正確、50 條錯誤軌跡（共 200 條）做人工分類。這回答的不是「誰 EM 比較高」，而是「對的時候是否碰巧、錯的時候錯在哪」。

	Type	ReAct	CoT
Success	True positive	94%	86%
Success	False positive（幻覺推理或事實仍被判對）	6%	14%
Failure	Reasoning error	47%	16%
Failure	Search result error	23%	—
Failure	Hallucination	0%	56%
Failure	Label ambiguity	29%	28%

CoT 失敗有 56% 是幻覺，ReAct 為 0%；成功裡的 false positive 也是 CoT 14% vs ReAct 6%。代價是 ReAct 的 reasoning error 升到 47%，外加 23% 搜尋空結果或無用結果。作者把重複生成同一組步驟也算進 reasoning error，並懷疑 greedy decoding 是原因之一。

這張表支持「交錯環境能降低幻覺」；它不支持「ReAct 的推理結構比較強」。它也無法外推到有副作用的 tool call：這裡的 search error 最多是查錯頁，不是誤刪資料。

Table 3：ALFWorld 的 +34% 來自分母不對稱的 headline

ALFWorld 問的是：在長視野、稀疏 reward 的家務遊戲裡，稀疏 thought 能不能勝過 Act-only 與模仿學習。控制條件是同一組人工軌跡去掉 thought 就是 Act；BUTLER 則是另一個方法，用約 $10^5$ 條 expert trajectory、best-of-8。ReAct／Act 是 best-of-6。

All 欄：Act best-of-6 45，ReAct avg 57，ReAct best-of-6 71，ReAct-IM best-of-6 53，BUTLER best-of-8 37。Abstract 的 +34% 就是 71−37。論文也寫最差的 ReAct trial（48%）仍高於 Act 與 BUTLER 的最佳 trial；相對 Act 的增益在六次 controlled trial 為 33% 到 90%，平均 62%。

這支持「在這個 text game 上，稀疏 thought 比只輸出動作更有用」。它沒有在相同 trial budget 下比較 ReAct 與 BUTLER，因此 +34% 是 headline，不是 matched-budget 因果。它也不是真實機器人結果：環境是對齊 ALFRED 的文字遊戲。

Table 4：WebShop 的 +10% 是四捨五入的 SR 差

WebShop 問 noisy 真實商品頁上，one-shot ReAct 能不能勝過用 1,012 條人類軌跡訓練的 IL，以及再加 10,587 條 instruction 的 IL+RL。

Method	Score	SR
Act	62.3	30.1
ReAct	66.6	40.0
IL	59.9	29.1
IL+RL	62.4	28.7
Human	82.1	59.6

ReAct 的 SR 40.0 對 IL+RL 28.7，差距 11.3 個百分點，abstract 寫成 +10%。Score 的差距較小（66.6 vs 62.4）。作者觀察 ReAct 比較會用 thought 對齊 noisy observation 與選項。人類仍明顯更高，且會做更多商品探索與 query reformulation；prompting 還沒追上。

這不能讀成「ReAct 已達到可上線購物 agent」。研究基準也不能真的完成購買。

Figure 3：finetune 改變的是「比較誰會查」，不是再刷一次 540B prompt

因為人工標註 thought+action 很貴，作者用類似 STaR 的 bootstrap：拿 3,000 條答案正確的 ReAct（及其他 baseline）軌跡，finetune PaLM-8B／62B，讓小模型依問題解碼整段 thought／action／observation。Appendix B.1：batch size 64；ReAct／Act 訓 4,000 steps，Standard／CoT 在 8B 訓 2,000、在 62B 訓 1,000。作者發現 ReAct／Act 較吃 steps 與資料，Standard／CoT 很快退化。

Figure 3 的定性結果：prompting 時 8B／62B 的 ReAct 在四個方法裡最差，因為 in-context 要同時學會推理與行動。finetune 之後 ReAct 變成最好；論文寫 PaLM-8B finetuned ReAct 勝過所有 PaLM-62B prompting，PaLM-62B finetuned ReAct 勝過所有 540B prompting。作者的解釋是：finetune Standard／CoT 比較像在背（可能幻覺的）知識，finetune ReAct／Act 比較像在學怎麼查 Wikipedia。

本文不從圖上讀出未經論文寫明的精確 EM。這張圖支持「軌跡格式在小模型上可能比單純放大 prompt 更有用」；它不是公開可重跑的訓練曲線，因為 PaLM 權重一般不可取得，且 3,000 條正確軌跡本身由 PaLM-540B 生成。

Figure 3，論文 Section 3.3：左為 prompting、右為 finetuning（無 540B finetune 點）。作者用來支持「小模型 finetune ReAct 可超過較大模型的 prompting」。原圖可定位到 Figure 3，SVG 為 hotpot_finetune.svg。取自 arXiv HTML，頁面標示 CC BY 4.0。

限制、威脅與不該過度推導的話 / Limitations and threats to validity

論文自己的限制已經相當明確。Conclusion 寫：複雜、大 action space 的任務需要更多 demonstration，很容易超過 in-context 長度；finetune 只是初期結果，更需要高品質人工標註。Ethics Statement 把互動限制在 Wikipedia 與 WebShop 研究環境，避免查隱私或執行危險動作。

另外幾條是讀表時必須留下的邊界：

1. Abstract 的 +34%／+10% 不是 Table 1。 它們來自 ALFWorld 71 vs 37、WebShop SR 40.0 vs 28.7，而且 ALFWorld 的 trial budget 不對齊。
2. HotpotQA 純 ReAct 沒贏 CoT。 若產品任務比較像多跳 QA、工具又很弱，先假設「加上 thought 分數一定比較高」會與 Table 1 衝突。
3. Wikipedia API 是玩具檢索。 沒有權限、版本、citation graph，也沒有現代 retriever。live Wikipedia 還會讓 2023 年的軌跡與今日頁面不一致。
4. PaLM-540B 不是一般可重現 runtime。 論文 Reproducibility Statement 已寫 PaLM 當時未公開。公開 repo 是 GPT-3 prompting notebook，README 的 500-example 表（HotpotQA 29.4、FEVER 62.2）與 Table 1 的 ReAct 27.4／60.9 並未對齊，不能互相替代。
5. Table 5 的 GPT-3 比較要用 subset 口徑。 Appendix A.1 在 500 題 HotpotQA 與 134 個 ALFWorld 上報告 GPT-3（text-davinci-002）30.8／78.4，對應欄的 PaLM-540B 是 29.4／70.9。表題寫 ReAct prompting，但 29.4 與 Table 1 的 CoT 相同、與純 ReAct 27.4 不同。本文把它當「GPT-3 也可跑 ReAct 格式」的證據，不當成 Table 1 的第三套官方數字。

Appendix A.3 的人工改 thought 很有啟發：改 Act 17 與 Act 23 兩處 thought，就能讓失敗的 ALFWorld 軌跡成功。這是單一例，不是 human-in-the-loop 實驗；它支持「thought 是可編輯的控制面」，不支持「產品只要讓人改兩句就能對齊」。

工程判斷與不適用條件 / Engineering decision and when not to use it

什麼時候值得借用 ReAct？當你需要一條可讀、可記錄、可中途改 thought 的軌跡，而且環境動作本身可審計：查文件、搜內部知識庫、在模擬器裡走動。這時應把 thought、tool name、arguments、observation、finish 分成欄位，而不是揉成一段散文。

什麼時候不要把這篇論文當成施工圖？

• 工具有寫入副作用、付費、或權限邊界時，不要複製 Wikipedia 三動作。
• 需要 retrieval quality、citation、或 schema validation 時，ReAct 沒有提供這些層。可對照站內的 RAG-MCP：那篇處理的是候選工具太多，不是 thought 介面。
• 需要把「搜到了卻沒讀證據就回答」單獨測出來時，看 推理之前就可能失敗。ReAct 的 Table 2 有 search error，但沒有 Read-Gate 那種程序性失敗分類。
• 需要 durable state、verifier 與 rollback 時，看 Argus。few-shot ReAct 沒有控制平面。
• 若瓶頸是模型根本沒學過 tool affordance，而不是 prompt 裡缺 thought，看 MidTool。

Artifact 與可重現性 / Artifacts and reproducibility

截至 2026-08-27 的直接 endpoint 狀態：

• 論文： arXiv abs、v3 PDF、HTML 可讀，license 為 CC BY 4.0。OpenReview 頁為 WE_vluYUL-X。
• Project page：react-lm.github.io 可開啟，內容是論文導覽而非可執行服務。
• 程式與 prompt：ysymyth/ReAct 可存取，MIT License。可見 hotpotqa.ipynb、FEVER.ipynb、alfworld.ipynb、WebShop.ipynb、wikienv.py，以及 prompts/ 下的 prompts_naive.json、fever.json、ALFWorld JSON。這是 GPT-3 prompting 代碼，不是 PaLM 訓練代碼。
• 模型：PaLM-540B／8B／62B 不是一般可下載 checkpoint。論文已聲明主實驗因此難以重現。GPT-3 text-davinci-002 本身也已不是預設公開 API。
• 資料環境：HotpotQA、FEVER、ALFWorld、WebShop 需各自安裝；Wikipedia 實作打 live 站，不是凍結 dump。

最小有用 reproduction 是：用公開 notebook 的 prompt，對一小撮 HotpotQA 題跑 search／lookup／finish，檢查 thought 是否不改 wiki 狀態、以及空搜尋時模型會不會重複同一動作。不要宣稱這能復現 Table 1 的 PaLM-540B 數字。

三個記憶點 / Three things to remember

1. 技術想法：ReAct 把 $\mathcal{L}$ 裡的 thought 加進 action space；thought 只更新 context，環境動作才換來 observation。
2. 證據：決策任務上 few-shot ReAct 明顯高於 Act 與當時的 IL／RL baseline；QA 上它比較能減少幻覺，但純 ReAct 的 HotpotQA EM 並沒有贏過 CoT，headline 最佳值來自切換。
3. 邊界：這是 1–6 條人工軌跡加上被故意做弱的 Wikipedia API，加上不可取得的 PaLM。可審計契約可以搬；runtime、工具治理與 retriever 不能從這篇論文推論已經完成。

延伸閱讀

ReAct 處理的是「想」與「做」要不要交錯。接下來可依問題選讀：

• 工具 schema 太多：RAG-MCP。
• 是否要在 mid-training 先教工具：MidTool。
• 搜尋後是否真的讀取證據：推理之前就可能失敗。
• 長期任務的 runtime 與 rollback：Argus。

Primary sources

• Yao et al., “ReAct: Synergizing Reasoning and Acting in Language Models,” ICLR 2023 / arXiv:2210.03629 v3
• arXiv HTML with figure anchors
• OpenReview forum WE_vluYUL-X
• Project page
• GPT-3 prompting code and prompts (MIT)