ReAct+ 🔴
Potrzeba: Zadanie wymaga iteracyjnego działania — model rozumuje, działa, obserwuje wynik i powtarza.
Wyjaśnienie: Reasoning + Acting w pętli. Używane natywnie w agentach AI (tool-use, browsing, coding agents).
Format prompta:
„Thought: [rozumowanie]. Action: [narzędzie]. Observation: [wynik]. … Repeat … Final Answer:“
Przykład użycia w QA
„Thought: Sprawdzam endpoint. Action: GET /health. Observation: 200 OK. Thought: Sprawdzam auth. Action: POST /login bez tokena. Observation: 401. Final Answer: auth działa poprawnie.”
Kiedy używać ReAct+?
W praktyce nie piszesz ReAct+ ręcznie — agenty AI (Claude Code, Codex, Copilot) używają tego wzorca natywnie. Warto go znać, żeby rozumieć JAK agent myśli i dlaczego podejmuje kolejne kroki.
Tree of Thought (ToT) 🔴
Potrzeba: Problem ma wiele ścieżek — chcesz eksploracji alternatyw zamiast jednej drogi.
Wyjaśnienie: Rozszerzenie CoT — model generuje wiele gałęzi rozumowania, ocenia je i wybiera najlepszą. Symuluje burzę mózgów.
Format prompta:
„Rozważ: [problem]. Wygeneruj 3 podejścia. Dla każdego: zalety, wady, ryzyko. Wybierz najlepsze.”
Przykład użycia w QA
„Jak zorganizować testy E2E w mikroserwisach (12 serwisów)? A: centralne repo. B: testy per serwis. C: contract testing + minimalne E2E. Oceń i wybierz.”
Kiedy używać ToT?
Gdy stoisz przed decyzją architektoniczną lub strategiczną — wybór narzędzia, organizacja testów, podejście do migracji. ToT wymusza porównanie opcji zamiast akceptowania pierwszej odpowiedzi.
W następnym wpisie: P2P2 i Reflexion — planowanie przed wykonaniem i samokorekta.