Skip to content

ReAct Pattern: Reasoning + Acting Döngüsü

Modeli düşünme + harekete geçme döngüsünde tutmak. Web araması, hesaplama, API çağrılarıyla zincirleme akıl yürütmenin temeli.

Şükrü Yusuf KAYA
10 min read
Intermediate
ReAct Pattern: Reasoning + Acting Döngüsü

ReAct = Reasoning + Acting#

Yao et al. 2022 önerisi: model sadece düşünmemeli, aynı zamanda dış dünyadan bilgi almalı. Bu döngüye ReAct denir:
Thought → Action → Observation → Thought → Action → ... → Final Answer
ChatGPT'nin bugünkü "agent" davranışlarının (Web Search, Code Interpreter, Operator) altında bu pattern var.
ReAct döngüsü — düşünce, eylem, gözlem.
ReAct akışı — model düşünür → araç çağırır → sonucu okur → tekrar düşünür.
text
Soru: 2026'da Türkiye'nin en kalabalık 5 şehri ve bunlardaki ortalama bekar daire kiralarını öğrenmek istiyorum.
 
Thought: Önce 2026'daki en kalabalık 5 şehri bulmalıyım. Web araması gerekli.
Action: web_search("Türkiye 2026 nüfus sıralaması en kalabalık şehirler")
Observation: TÜİK 2026 verisine göre: İstanbul (16.5M), Ankara (5.8M), İzmir (4.5M), Bursa (3.2M), Antalya (2.9M).
 
Thought: Şimdi her birinin bekar (1+1) daire kira ortalamasını bulmalıyım.
Action: web_search("İstanbul 2026 1+1 ortalama kira hepsiemlak")
Observation: ... (sonuç)
 
Thought: Aynısı Ankara, İzmir, Bursa, Antalya için.
Action: web_search("Ankara 2026 1+1 kira ortalaması")
Observation: ... (sonuç)
[devam]
 
Thought: Tüm veriler toplandı. Tabloya dökeyim.
Final Answer:
| Şehir | Nüfus | 1+1 Kira Ortalaması |
|---|---|---|
| İstanbul | 16.5M | ~28.000 TL |
| Ankara | 5.8M | ~14.000 TL |
| ... | ... | ... |
ReAct trace örneği — model her adımı kayıt altına alıyor.
💡 ChatGPT ReAct'i otomatik yapıyor
ChatGPT'de Web Search, Code Interpreter veya Deep Research araçlarını açtığında, arkada bu Thought-Action-Observation döngüsü otomatik dönüyor. Ama promptunda 'web araması yapıp doğrula' ya da 'önce hesapla, sonra yorumla' demek modeli daha disiplinli kullanır.
text
Önemli not: Eğer bilmediğin veya değişen bilgi varsa, önce web araması yap. Cevabın spekülatif olamaz.
 
Yapı:
1. Düşün: Hangi bilgilere ihtiyacım var?
2. Araştır: Her birini ayrı arama ile getir
3. Doğrula: Birden fazla kaynak ile çapraz kontrol
4. Sentezle: Tablo halinde özetle
5. Kaynak ver: Her veri için URL
 
Soru: [...]
ReAct'i kasıtlı tetikleyen prompt şablonu.
Çoklu sorgu ile derin pazar araştırması — Modül 10'da Deep Research aracını detaylı işleyeceğiz. ReAct burada otomatik.

Özet#

✓ ReAct = Thought → Action → Observation → Thought → ... ✓ ChatGPT'nin Web Search, Code Interpreter, Deep Research tools'u bunu otomatik yapar ✓ Promptun kasıtlı yapısı 'önce araştır, sonra cevapla' ReAct'i tetikler
Sıradaki ders: Meta-Prompting — modele kendi promptunu yazdırma.

Yorumlar & Soru-Cevap

(0)
Yorum yazmak için giriş yap.
Yorumlar yükleniyor...

Related Content

Modül 1: Başlangıç ve Temeller

ChatGPT Nedir? Tarihçe, Evrim ve Bugünün Manzarası

Start Learning
Modül 1: Başlangıç ve Temeller

Hesap Açma ve Plan Karşılaştırması: Free, Plus, Pro, Team, Enterprise

Start Learning
Modül 1: Başlangıç ve Temeller

Arayüz Anatomisi: Her Buton, Menü ve Ayar Açıklamalı

Start Learning

Connected pillar topics

Pillar topics this article maps to

Pillar Topic

Agentic AI and Autonomous Systems

Agentic AI is the architecture in which a large language model — instead of producing a single answer — autonomously completes multi-step tasks by combining planning, tool use, memory and feedback loops.

Pillar Topic

Prompt and Context Engineering

Prompt engineering is the applied discipline of designing instructions, examples, context and output controls so that an LLM produces consistent, accurate and cost-efficient outputs.