Razonar y actuar
Sinónimos: ReAct · Reasoning + Acting
Definición ampliada
Razonar y actuar, conocido como ReAct o Reasoning + Acting, es un patrón de interacción agéntica en el que un modelo de lenguaje alterna explícitamente pasos de razonamiento textual, acciones sobre el entorno y las observaciones obtenidas al ejecutarlas. El ciclo se repite hasta resolver una tarea o alcanzar una condición de parada. A diferencia de los enfoques que separan «primero planifico, luego ejecuto», ReAct entrelaza ambos procesos: cada acción se elige a la luz del razonamiento más reciente y cada observación puede reorientar el paso siguiente [1].
Contexto histórico
Yao y colaboradores publicaron ReAct en ICLR 2023, tras difundir el preprint en 2022. El trabajo combinó trazas de razonamiento con acciones específicas de la tarea y evaluó el patrón en preguntas y entornos interactivos [1]. Desde entonces, esa alternancia se ha convertido en una referencia conceptual para muchos sistemas de agentes de IA, aunque sus implementaciones no tienen por qué reproducir literalmente el formato del artículo.
Importancia actual
A fecha de septiembre de 2026, ReAct describe un ciclo visible de decisión, acción y actualización a partir de resultados externos. La secuencia —razonamiento expresado, acción y observación— facilita revisar una sesión, pero no demuestra qué cálculo interno causó cada decisión. En la sanidad, la trazabilidad exige además registros efectivos de las herramientas, argumentos, respuestas y cambios; la traza textual no sustituye esos registros ni acredita seguridad clínica.
Aplicaciones
Generales
En programación, un agente razona sobre un error, ejecuta una prueba, observa el resultado y reorienta la hipótesis. En soporte, consulta documentación, formula una hipótesis y la verifica mediante una API antes de responder.
Sanitarias
Un agente de codificación puede detectar un diagnóstico, consultar una terminología, observar los códigos candidatos y proponer uno para revisión. Un agente de triaje puede identificar qué síntomas faltan y solicitarlos antes de clasificar sobre información parcial. El patrón ordena las consultas, pero no convierte sus pasos en razonamiento clínico validado ni elimina la supervisión profesional. En investigación bibliográfica también permite reformular una búsqueda después de observar que la primera consulta tuvo poca cobertura.
Limitaciones
El razonamiento textual visible lo genera el propio modelo y puede no reflejar su procesamiento interno real: ReAct mejora la trazabilidad aparente, pero no garantiza que la explicación sea causal o verdadera. El bucle puede repetir acciones, detenerse demasiado pronto o agotar la ventana de contexto.
Cada paso añade tokens, latencia y un punto de fallo. Una observación maliciosa puede reorientar el ciclo mediante inyección de prompts. Para auditarlo hay que diferenciar la traza ReAct —lo que el modelo afirmó— de los registros de herramientas —lo que ejecutó—; si no coinciden, prevalecen estos últimos. En tareas largas, la verbosidad de los pasos puede desplazar información útil fuera de la ventana de contexto, y un registro incompleto puede ocultar precisamente la acción que se necesita revisar.
Ejemplos
Un agente farmacéutico recibe una pregunta sobre un antibiótico. Indica que necesita conocer alergias y función renal, invoca las consultas, observa los resultados y prepara una alerta para validación. El ejemplo muestra el ciclo; no acredita una explicación causal ni autoriza al agente a prescribir.
Un agente de revisión bibliográfica propone un término MeSH, ejecuta la búsqueda en PubMed, observa que la cobertura es baja, reformula el término y solo entonces prepara una síntesis. Los resultados, no su narración, permiten comprobar la secuencia.
Relacionados
Referencias
En el Atlas visual: Del prompt al sistema