AIエージェント開発に携わる方なら、一度は「ReAct」という名前を耳にしたことがあるのではないでしょうか。ReActは、現在のAIエージェント技術の基礎となった重要な論文です。本記事では、ReAct論文の内容を解説するとともに、Claude Codeで実際にReActエージェントを構築・検証した結果をお伝えします。

関連記事: 本記事は「AIエージェント論文おすすめ9選」の詳細解説記事です。他の論文も合わせてご覧ください。

ReActとは？3行でわかる論文の要点

1. 従来手法の課題: LLMは「考える」か「行動する」かのどちらか一方しかできなかった
2. ReActのアプローチ: 推論（Reasoning）と行動（Acting）を交互に実行する「Thought-Action-Observation」ループを提案
3. なぜ重要か: HotPotQAで+6%、ALFWorldで+34%の性能向上を達成し、現在のエージェントフレームワークの基盤となった

論文情報

ReActの仕組みを図解で理解

ReActの核心は、Thought-Action-Observationの3ステップを繰り返すループ構造です。

Thought（推論）：次に何をすべきか考える

LLMが現在の状況を分析し、次のアクションを決定します。従来のChain-of-Thought（CoT）と同様の推論プロセスですが、ReActでは行動を前提とした推論を行う点が異なります。

[Thought] ユーザーは消費税込み価格から税抜き価格を求めている。
         計算ツールを使って 1000 / 1.1 を計算する必要がある。

Action（行動）：外部ツールを呼び出す

推論結果に基づいて、適切なツールを選択・実行します。

[Action] calculator(1000 / 1.1)

Observation（観察）：結果を受け取る

ツールの実行結果を受け取り、次のThoughtに活用します。

[Observation] 計算結果: 1000 / 1.1 = 909.09

このループを繰り返すことで、複雑なタスクを段階的に解決していきます。

実験結果：どれくらい性能が上がるのか

論文では、3つのベンチマークで検証が行われました。

特に**ALFWorldでの+34%**は驚異的です。これは、推論だけでなく「行動して結果を確認する」ことの重要性を示しています。

実装方法：LangChain/LangGraphでReActエージェントを作る

基本的なコード構造

from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
from langgraph.prebuilt import create_react_agent

# ツールの定義
@tool
def calculator(expression: str) -> str:
    """数学的な計算を行う"""
    result = eval(expression)
    return f"{expression} = {result}"

@tool
def search_knowledge(query: str) -> str:
    """情報を検索する"""
    # 検索ロジック
    return search_result

# エージェント作成
llm = ChatOpenAI(model="gpt-4o", temperature=0)
agent = create_react_agent(llm, [calculator, search_knowledge])

# 実行
result = agent.invoke({"messages": [("user", "100 × 5 を計算して")]})

ポイント

1. ツールの説明文が重要: LLMはツールの説明文を読んで使用判断するため、明確な説明が必要
2. temperature=0: 再現性のために推論時は0に設定
3. max_iterations: 無限ループ防止のため上限を設定

【実際に動かしてみた】ビジネスシナリオでの検証

実行環境: Claude Code + LangGraph + gpt-4o

シナリオ1: 競合価格調査エージェント

ユースケース: プライシング業務での競合SaaS価格調査

AIチャットボットSaaS（Intercom、Zendesk、Tidio、Drift）の価格を自動調査し、比較レポートを生成するエージェントを構築しました。

使用ツール:

• web_search: 競合サービスの価格情報をWeb検索
• calculator: 年額→月額変換、為替計算（1ドル=150円）
• generate_comparison_report: Markdown形式の比較表生成

実行結果:

[行動] web_search({'query': 'Intercom pricing 2025'}...)
[行動] web_search({'query': 'Zendesk pricing 2025'}...)
[観察] snippet: Intercom pricing starts at $39/month...
[行動] calculator({'expression': '468 / 12'})  # 年額→月額変換
[観察] 計算結果: 468 / 12 = 39.00

月額5万円以下のサービスとしてTidio、Driftを推奨する比較レポートを自動生成しました。

シナリオ2: 見積もり支援エージェント

ユースケース: DX支援案件の概算見積もり作成

ECサイトリニューアル案件（商品数500点、決済機能、会員機能、在庫連携）の見積もりを自動作成するエージェントです。

使用ツール:

• analyze_requirements: 要件を分析し開発項目を抽出
• calculate_man_hours: 各項目の工数を計算
• calculator: 工数合計・金額計算
• generate_estimate: 見積書ドラフト生成

実行結果:

[行動] analyze_requirements({'requirements': '商品数: 約500点, 決済機能...'})
[観察] 抽出された開発項目: フロントエンド開発、バックエンド開発、インフラ構築、テスト

[行動] calculate_man_hours({'item': 'フロントエンド開発', 'complexity': 'medium'})
[観察] 「フロントエンド開発」の想定工数: 40人日

[行動] calculator({'expression': '40 + 60 + 10 + 20'})
[観察] 計算結果: 40 + 60 + 10 + 20 = 130

[行動] generate_estimate({'project_name': '中小企業向けECサイトリニューアル', ...})

生成された見積書:

シナリオ3: 技術リサーチエージェント

ユースケース: クライアントへの技術提案準備

AIエージェントフレームワーク（LangChain、LlamaIndex、CrewAI）を調査し、社内ナレッジと組み合わせて比較レポートを生成します。

使用ツール:

• web_search: 各フレームワークの最新情報を検索
• knowledge_db: 社内ナレッジベースから過去の評価を取得
• generate_comparison_table: 比較表テンプレート生成

実行結果:

[行動] web_search({'query': 'LangChain AI framework 2025 updates'})
[行動] knowledge_db({'topic': 'LangChain'})
[観察] 【LangChain 社内評価】導入実績: 5案件、評価: ★★★★☆

[行動] generate_comparison_table({'items': 'LangChain, LlamaIndex, CrewAI'})

生成された比較表:

推奨: 複雑なエージェント開発にはLangChainを推奨

検証結果サマリー

全シナリオ成功率: 3/3（100%）

コスト概算

【ネクサフローでの活用視点】

上記の検証で示したように、ReActは実際のビジネスシナリオで高い実用性を発揮します。

DX支援での適用可能性

業務プロセス自動化（検証済み）

• 競合調査、見積もり作成、技術リサーチを自動化
• 「調べて → 計算して → レポート化する」の一連の流れ

データ収集・分析

• 外部APIを叩きながら情報を整理
• Web検索 + 社内データベースの統合（シナリオ3で実証）

社内ナレッジ活用

• 社内評価データと最新情報を組み合わせた意思決定支援
• 過去の案件実績を踏まえた提案資料の自動生成

プライシング業務での活用例（シナリオ1で実証）

1. 競合価格リサーチの自動化

• 複数SaaSの価格情報を自動収集

• 為替換算・年額月額変換も自動処理

1. 価格設定根拠の説明

• 「なぜこの価格か」を論理的に説明

• 推論過程の可視化で意思決定を支援

顧客からよくある質問との関連

「AIで業務を自動化したいが、単純な質問応答だけでは不十分」

導入を検討する際のアドバイス

1. 最初は単純なタスクから始める: 計算や検索などシンプルなツールから
2. ツールの選定が重要: 信頼性の高いAPIを選ぶ
3. 人間のレビューを挟む: 重要な意思決定は人間が最終確認

ReActの限界と発展

ReActの弱点

• 長いタスクでの精度低下: ステップが増えるとエラーが蓄積
• 推論コスト: 毎回LLMを呼び出すためAPI費用が増加
• ツール依存: 適切なツールがないと性能が発揮できない

後続研究

FAQ

Q1. ReActとCoTの違いは？

CoT（Chain-of-Thought）: 推論のみ。外部ツールは使わない。

ReAct: 推論 + 行動。ツールを使って外部情報を取得。

Q2. どんなタスクに向いている？

• 複数ステップの調査・分析
• 外部情報の取得が必要なタスク
• 計算や検索を含む複合タスク

Q3. 商用利用は可能？

論文自体はMITライセンス。実装に使用するLangChain/LangGraphもMITライセンスで商用利用可能です。

まとめ

ReActは、LLMに「考えながら行動する」能力を与えた画期的なフレームワークです。本記事では、Claude Codeを使って実際にReActエージェントを構築し、以下を確認しました。

• 競合価格調査: SaaS4社の価格比較レポートを8.41秒で自動生成
• 見積もり支援: ECサイト開発の見積書を8.15秒で作成
• 技術リサーチ: フレームワーク比較表を18.66秒で生成

全シナリオ成功率: 100%

AIエージェント開発の第一歩として、ぜひReActを試してみてください。

次に読むべき論文

参考リソース

• arXiv論文
• Google Research Blog
• 公式プロジェクトページ
• GitHub
• 本記事の検証コード

本記事の検証はすべてClaude Codeで実施しました。