AIへの指示の出し方：プロンプト入門

ReActとは？AIに推論と行動を組み合わせさせる次世代プロンプト技術

生田 陸人
監修
LuaGate エンジニア / 現役エンジニア
編集 LuaGate編集部

このレッスンで分かること

  • この記事では「ReActとは？AIに推論と行動を組み合わせさせる次世代プロンプト技術」を プロンプト設計 の現場で使える形で整理します
  • はじめに をおさえれば、現場で迷ったときに立ち戻れる
  • ReActとは何か？AIの推論と行動を繋ぐパラダイム をおさえれば、現場で迷ったときに立ち戻れる
  • なぜReActが必要なのか？ をおさえれば、現場で迷ったときに立ち戻れる
  • ReActプロンプトの核となるThought-Action-Observationループ をおさえれば、現場で迷ったときに立ち戻れる

ReAct とは

ReActプロンプトの基礎から実践までを詳しく解説。AIに「思考・行動・観察」のサイクルを行わせることで、ハルシネーションを抑え、外部ツールを駆使した高度な回答を引き出す方法を学びます。

はじめに

「AIに複雑な指示を出しても、もっともらしい嘘（ハルシネーション）をつかれてしまう」「最新の情報に基づいた回答が得られない」といった悩みはありませんか？これらの課題を解決し、AIの能力を飛躍的に高める手法が、今回学ぶReAct（リアクト）です。ReActは、AIに「推論」と「行動」を交互に行わせることで、より正確で論理的な回答を引き出す次世代のプロンプト技術です。本レッスンでは、ReActの仕組みから実践的な活用法まで、プロンプトエンジニアリングの視点で詳しく解説します。

ReActとは何か？AIの「推論」と「行動」を繋ぐパラダイム

ReActは、「Reasoning（推論）」と「Acting（行動）」を組み合わせた造語です。2022年にGoogle Researchとプリンストン大学の研究者らによって提案されました。

これまでのAIは、学習したデータに基づいて回答を生成するだけでしたが、ReActを用いることで、AIは自ら「次に行うべきこと」を考え、必要に応じて検索エンジンを使ったり、計算機を動かしたりといった外部ツールとの連携をシミュレートしながら思考を進めることができるようになります。

ReAct — 推論（Reasoning）と行動（Acting）を交互に繰り返すフレームワーク。AIに「考える」だけでなく「外部に問い合わせる」能力を与え、最新情報や事実検証を伴うタスクに強くなる。

なぜReActが必要なのか？

通常のAI（大規模言語モデル）には、以下の2つの大きな弱点があります。

  1. 知識の断絶（Knowledge Cutoff）は学習データが作成された時点以降の最新ニュースや情報を知らない。
  2. 推論のミスは複雑な多段階の推論が必要な問題で、途中の計算や論理を間違えてしまう。

ReActプロンプトを使用すると、AIは「今自分は何を知っていて、何を知らないのか」を客観的に把握し、不足している情報を補うためのプロセスを自ら組み立てるようになります。これにより、情報の正確性が格段に向上するのです。

ReActプロンプトの核となる「Thought-Action-Observation」ループ

ReActを理解する上で最も重要なのが、Thought（思考）→ Action（行動）→ Observation（観察）というサイクルです。AIはこの3つのステップを繰り返すことで、最終的な結論に辿り着きます。

  1. Thought（思考）は現状を分析し、目標を達成するために次に何をすべきかを言語化します。
  2. Action（行動）は情報を得るための具体的なアクション（例:Googleで検索する、特定のAPIを叩く、計算する）を決定します。
  3. Observation（観察）は行動の結果として得られた情報（検索結果や計算結果など）を確認します。

このループにより、AIは自分の推論が正しいかどうかを都度修正しながら進むことが可能になります。人間が複雑な調べ物をする際に、「まずAを調べて、その結果次第でBを確認しよう」と考えるプロセスをプロンプトで再現していると言えます。

diagram (will load when visible)

実践！ReActプロンプトの書き方と具体例

それでは、実際にReActの効果を比較してみましょう。例えば、「2024年の特定のイベントについて調べ、その影響を分析する」というタスクを想定します。

避けたい例 悪い例：単純な指示 「2024年のパリ・オリンピックで日本が獲得した金メダルの数と、その社会的影響についてレポートを作成してください。」

問題点: AIが最新の検索ツールを使える環境であっても、この指示だけでは「いきなり回答」を作成しようとします。その結果、情報の裏取りが甘くなったり、数値が不正確になったりするリスクが高まります。

良い例 良い例：ReAct形式の指示 あなたは高度な調査アシスタントです。以下のステップ（Thought, Action, Observation）を繰り返して回答してください。

  1. Thought: 質問に答えるために何を知る必要があるか考えます。
  2. Action: 必要な情報を得るための検索クエリを作成し、実行します。
  3. Observation: 検索結果から得られた事実を整理します。
  4. 1〜3を繰り返し、十分な情報が集まったら最終回答を出力してください。

質問：2024年パリオリンピックでの日本の金メダル獲得数と、その後の日本国内の経済的影響について分析してください。

ReActによるAIの内部ログ（イメージ）

ReAct形式で指示を出すと、AIは以下のように思考を展開します。

  • Thoughtはまず、2024年パリオリンピックの公式な金メダル獲得数を確認する必要がある。また、経済的影響に関する専門家の分析記事も探すべきだ。
  • Actionは検索ツールで「2024 パリオリンピック 日本 金メダル数」「パリオリンピック 経済効果 日本」を検索する。
  • Observationは日本は金メダル20個を獲得。スポーツ用品の売上増加や観光客の動向についてのレポートが見つかった。
  • Thoughtは金メダル数は判明したが、具体的な経済指標（GDPへの寄与度など）がまだ不足している。さらに詳細な経済レポートを探す必要がある。

このように、プロセスを可視化させることで、ユーザーはAIがどの情報を元に判断したのかを追跡でき、信頼性が高まります。

Few-shot × ReAct — Thought / Action / Observation の対話例を1〜2件プロンプトに含めると、AI は出力フォーマットを安定して守るようになる。テンプレ化が効きやすい。

ReActを使いこなすための3つのテクニック

ReActプロンプトの精度をさらに高めるためには、いくつかのコツがあります。

1. 利用可能な「Action」を明確に定義する

AIにどのような行動が取れるのかを明示的に指定します。例えば、「Search[キーワード]」「Calculate[式]」「LookUp[用語]」のように、使える武器をセットしてあげることが重要です。

2. 少数の事例（Few-shot）を与える

AIに対して、Thought-Action-Observationのやり取りの例を1〜2件見せておくと、形式をより正確に守ってくれるようになります。これを「Few-shot Prompting」と呼びますが、ReActとの相性は抜群です。

3. ハルシネーションの防止を明命する

「Observation（観察）で得られなかった情報は、決して推測で書かないこと」という制約をプロンプトに含めることで、回答の誠実性を担保できます。

ReActとChain of Thought（CoT）の違い

前回のレッスンで学んだ「Chain of Thought（思考の連鎖）」とReActは何が違うのでしょうか？

  • Chain of ThoughtはAIが内部的な論理ステップを踏んで考える「内省的」な手法。外部情報の取得は前提としていない。
  • ReActは内部的な論理ステップに加え、外部世界（検索エンジンなど）との相互作用を組み合わせる「行動型」の手法。

つまり、ReActはCoTをさらに拡張し、現実世界の情報を取り込めるようにした強力な進化形だと言えます。

diagram (will load when visible)

やってみよう チャレンジ課題: あなたが「最新のAIニュースを要約して、自社のビジネスにどう活かせるか提案する」というタスクをAIに依頼するとします。この時、AIが「今朝発表されたばかりのニュース」を見逃さないようにするためのReActプロンプトを考えてみてください。どのような「Action」を定義すれば良いでしょうか？

まとめ

ReActは、AIに「考えてから動く」という人間らしいプロセスを教え込む画期的な技術です。Thought（思考）、Action（行動）、Observation（観察）のサイクルを回すことで、AI特有のハルシネーションを抑制し、動的な外部情報を正確に取り入れることが可能になります。この技術をマスターすれば、AIを単なるチャットボットではなく、自律的に調査を行う「AIエージェント」として活用できるようになるでしょう。

ReActは、AIエージェント開発の基礎となる非常に重要な概念です。最初はプロンプトが長くなって大変に感じるかもしれませんが、一度テンプレートを作ってしまえば、驚くほど精度の高い回答が得られるようになりますよ！一緒に頑張りましょう。

現場でよくある具体例

  1. 業務ケース 1 — 商品説明文の生成。「役割・読者・トーン・制約・出力例」の 5 ブロックを徹底したら、編集工数が 3 分の 1 に
  2. 業務ケース 2 — 議事録要約で「アクションアイテムは担当者と期限を明記」と一文足したらタスク漏れが激減
  3. 業務ケース 3 — 顧客対応の Chain-of-Thought 設定で「まず分類、次に回答候補、最後に確認質問」と段階指示にし、誤回答が 4 割減

次にとるべきアクション

  1. 自分の現業務プロンプトを 1 つ取り出す — 「ReActとは？AIに推論と行動を組み合わせさせる次世代プロンプト技術」の観点で 3 箇所書き換え、変更前後を比較する
  2. プロンプトをテンプレ化する — 役割・入力・出力フォーマット・制約の 4 ブロックで定型化する
  3. 評価セットを 5 件作る — 自分のユースケースで「期待出力」を 5 件用意し、プロンプト改善のたびに回帰確認する

次のレッスン

次は Self-Consistency：複数の推論パスで回答の信頼性を高める技術 で、Self-Consistency：複数の推論パスで回答の信頼性を高める技術 を学びます。

事前確認 — 進む前に次の 3 つができることを確認しましょう。

  1. ReAct 推論と行動 の要点を自分の言葉で説明できる
  2. このレッスンの最小コード (または操作手順) を見ずに書ける
  3. 練習問題やクイズで間違えた箇所を読み直して理解した

理解度チェック (30 秒)

Q. ReAct 推論と行動 とは何か、1 文で説明してください。

この章のポイント

A. 本文の「このレッスンで分かること」または冒頭の説明文を見直し、自分の言葉で要約できれば OK。詰まったら本レッスンの最初の H2 セクションを読み返してみましょう。

関連レッスン

参考にした出典

学習を加速したい方へ

プロンプトエンジニアリング実践ガイドを体系的にマスターするなら、chotdekiru の無料学習ポータル で実際に手を動かして学習を始めるのがおすすめです。質問・つまずきも現役エンジニアが伴走します。

復習ミニクイズ

従来の「Chain of Thought (CoT)」と比較した際、ReActプロンプトの最大の特徴として正しいものはどれですか？

参考リンク