1.0UX TIMEShttps://uxdaystokyo.com/articles高橋 祐哉https://uxdaystokyo.com/articles/author/yuya-takahashi/rich600338<blockquote class="wp-embedded-content" data-secret="iTcnPMcRO0"><a href="https://uxdaystokyo.com/articles/glossary/react/">ReAct（リアクト）</a></blockquote><iframe sandbox="allow-scripts" security="restricted" src="https://uxdaystokyo.com/articles/glossary/react/embed/#?secret=iTcnPMcRO0" width="600" height="338" title="“ReAct（リアクト）” — UX TIMES" data-secret="iTcnPMcRO0" frameborder="0" marginwidth="0" marginheight="0" scrolling="no" class="wp-embedded-content"></iframe><script> /*! This file is auto-generated */ !function(d,l){"use strict";l.querySelector&&d.addEventListener&&"undefined"!=typeof URL&&(d.wp=d.wp||{},d.wp.receiveEmbedMessage||(d.wp.receiveEmbedMessage=function(e){var t=e.data;if((t||t.secret||t.message||t.value)&&!/[^a-zA-Z0-9]/.test(t.secret)){for(var s,r,n,a=l.querySelectorAll('iframe[data-secret="'+t.secret+'"]'),o=l.querySelectorAll('blockquote[data-secret="'+t.secret+'"]'),c=new RegExp("^https?:$","i"),i=0;i<o.length;i++)o[i].style.display="none";for(i=0;i<a.length;i++)s=a[i],e.source===s.contentWindow&&(s.removeAttribute("style"),"height"===t.message?(1e3<(r=parseInt(t.value,10))?r=1e3:~~r<200&&(r=200),s.height=r):"link"===t.message&&(r=new URL(s.getAttribute("src")),n=new URL(t.value),c.test(n.protocol))&&n.host===r.host&&l.activeElement===s&&(d.top.location.href=t.value))}},d.addEventListener("message",d.wp.receiveEmbedMessage,!1),l.addEventListener("DOMContentLoaded",function(){for(var e,t,s=l.querySelectorAll("iframe.wp-embedded-content"),r=0;r<s.length;r++)(t=(e=s[r]).getAttribute("data-secret"))||(t=Math.random().toString(36).substring(2,12),e.src+="#?secret="+t,e.setAttribute("data-secret",t)),e.contentWindow.postMessage({message:"ready",secret:t},"*")},!1)))}(window,document); //# sourceURL=https://uxdaystokyo.com/articles/wp-includes/js/wp-embed.min.js </script> https://uxdaystokyo.com/articles/wp-content/uploads/2026/03/react.png20002000ReActとは、大規模言語モデル（LLM）が複雑なタスクを解決するために「推論（Reasoning）」と「行動（Acting）」を相乗的に組み合わせる思考の枠組みである。これは、人間が難問に取り組む際に「考え、調べ、また考える」というプロセスを模倣する。これにより、LLMが事実に基づかない回答を生成する「ハルシネーション」や、学習データ以降の最新情報に対応できないといった課題を克服し、信頼性の高い回答を導き出すことが可能となる。 思考と行動のサイクルで自律性を生む ReActの本質は、「思考（Thought）」「行動（Action）」「観察（Observation）」という3つの要素を一つのサイクルとして定義した点にある。LLMはユーザーからの問いに対し、まず「何をすべきか」という内的な戦略（思考）を立てる。次いで、その戦略に基づき、検索エンジンやデータベースといった外部ツールを実際に利用（行動）する。そして、ツールから得られた結果（観察）を新たな材料として、次の思考を巡らせる。このサイクルを最終的な答えにたどり着くまで繰り返すことで、LLMは単なるテキスト生成装置から、自律的に問題解決を行うエージェントへと進化するのである。 語源・提唱者 ReActは、2022年10月にGoogle Researchとプリンストン大学の研究者であるShunyu Yao氏らが発表した論文「ReAct: Synergizing Reasoning and Acting in Language Models」によって提唱された。当時のLLMには、思考プロセスを記述させて推論能力を高めるアプローチ（Chain-of-Thoughtなど）と、外部ツールと連携して情報を取得するアプローチが存在したが、それぞれに弱点があった。前者は情報の正確性に、後者は複雑なタスクを計画する能力に課題を抱えていた。ReActは、この「推論特化」と「行動特化」の長所を融合させ、両者の弱点を補い合うことで、より高度で信頼性の高い問題解決能力の実現を目指して考案された。 LLMの回答を信頼できるものに変える ReActがもたらす最大の価値は、LLMの応答プロセスをブラックボックスから脱却させ、その信頼性を飛躍的に向上させる点にある。思考と行動の軌跡が明示されるため、なぜその結論に至ったのかを人間が検証できるようになる。これにより、LLMが抱える根源的な課題に対する具体的な解決策を提示する。 事実性の向上 LLM内部の知識だけに頼るのではなく、検索エンジンやAPIといった外部ツールを介して常に最新かつ正確な情報にアクセスする。これにより、情報の古さや不正確さに起因する誤りを大幅に削減できる。 透明性の確保 「何を考え（Thought）」「何を行い（Action）」「何を得たか（Observation）」という一連のプロセスが記録される。この思考の軌跡をユーザーに示すことで、AIの判断根拠が明確になり、回答に対する信頼と納得感が醸成される。 タスク遂行能力の拡張 計算機APIで正確な計算を行ったり、社内データベースに問い合わせて特定の情報を取得したりと、LLM単体では不可能なタスクを実行可能にする。これにより、応用範囲が実世界の問題解決へと大きく広がる。 思考・行動・観察の反復ループを回す ReActフレームワークの実践は、問いに対して最終回答を生成するまで、一連のステップを動的に繰り返すプロセスである。このループ構造により、LLMは状況に応じて戦略を柔軟に修正しながら、複雑なタスクを段階的に解決していく。 タスクの分解と計画（Thought） ユーザーから与えられた複雑な問いを、実行可能な小さなサブタスクに分解し、次にとるべき行動の戦略を立てる。 外部ツールでの情報収集（Action） 計画に基づいて、検索エンジン、API、データベースなどの外部ツールに具体的な指示を出し、必要な情報を収集する。 結果の分析と再計画（Observation & Thought） 外部ツールから得られた結果を分析・統合し、当初の計画を評価する。ゴールに達していなければ、新たな情報に基づいて次の行動計画を立て、再びループに戻る。 最終回答の生成 全てのサブタスクが完了し、問いに対する十分な情報が揃ったと判断した時点で、収集・分析した内容を統合し、最終的な回答を生成する。 実際のサービスや開発フレームワークへの実装 ReActの仕組みは、日常的に利用する検索サービスから、独自のAIエージェントを構築するための開発者向けツールまで、すでに幅広い領域で組み込まれ、実用化されている。 Google検索「AI Overview」（旧称: SGE） 身近なプロダクトにおけるReActの代表的な実装例である。複雑な検索クエリに対して、ウェブ上の複数の情報源を統合・要約した回答を検索結果の最上部に表示する。例えば「小さな子供がいても楽しめる、週末に行ける温泉宿」といった質問に対し、AIはタスクを分解して検索（Action）し、複数のサイトから情報を収集（Observation）する。そして「食事」や「安全性」などに情報を整理（Thought）した上で、情報源となるウェブサイトへのリンクと共に回答を提示する。これはReActフレームワークが裏側で機能している典型的な例である。 LlamaIndexなどのAI開発フレームワーク 企業や開発者が独自のReActエージェントを構築するための基盤としても広く利用されている。例えば、LLM向けのデータフレームワークである「LlamaIndex」などを活用することで、自社のデータベースや外部APIと連携した独自のReActエージェントをゼロから構築することが可能である。これにより、特定の業務やドメインに特化した、高度な自律型AIアシスタントの開発が促進されている。 関連用語 https://uxdaystokyo.com/articles/glossary/chain-of-thought/ https://uxdaystokyo.com/articles/glossary/ai-agent/