Framework pour les agents LLM qui intercale le raisonnement (Reason) et l'action (Act) en une boucle itérative. À chaque étape, l'agent : (1) formule une pensée (Thought) sur ce qu'il doit faire, (2) choisit et exécute une action (Action) en appelant un outil, (3) observe le résultat (Observation), puis répète jusqu'à avoir la réponse. Ce processus rend l'agent transparent et debuggable — on peut lire les traces de pensée pour comprendre ses décisions. Comparé à un agent qui agit directement, ReAct réduit les erreurs en forçant une réflexion explicite avant chaque action. Introduit dans le paper 'ReAct: Synergizing Reasoning and Acting in Language Models' (2022). LangChain, LangGraph et smolagents implémentent ce pattern nativement. Limites : verbose (beaucoup de tokens de pensée), peut boucler sur des tâches difficiles.