Chain‑of‑Thought（CoT）と ReAct（Reason + Act)の相違点

1. 背景と目的

手法	初出	主目的	端的なアイデア
Chain‑of‑Thought	Wei et al., 2022	LLM に「中間推論」を生成させることで複雑なタスク精度を向上させる	Think step‑by‑step の明示例をプロンプトに含め、モデルが一連の推論過程を文章で吐き出すよう誘導する
ReAct	Yao et al., 2023	推論 (Reason) と行動 (Act) を交互に生成し、外部ツールや環境と対話しながら問題解決する	モデルが① “Thought:” で考え、② “Action:” でツール実行、③ “Observation:” で結果を受け取り、④ 再び推論…を繰り返す

---

2. プロンプト構造の違い

Chain‑of‑Thought（CoT）

Q: 37 + 48 = ?
A: Let’s think step by step.
1. …
2. …
答え: 85

• 一度に 推論文だけを線形に 出力し、その後に最終回答。

• 外部環境との対話は想定しない。

ReAct

Question: Who directed “Inception”?
Thought: I should search a movie database.
Action: Search[“Inception director”]
Observation: “Christopher Nolan”
Thought: The answer is Christopher Nolan.
Final Answer: Christopher Nolan

• Thought / Action / Observation をインターリーブ。

• Action は検索 API・計算エンジン・データベース呼び出しなど任意のツールにマッピング可能。

---

3. 強みと弱み

観点	Chain‑of‑Thought	ReAct
推論精度	論理連鎖を明示することで算術・論理問題に顕著な効果	Action で追加情報を取得できるため、検証・補完が可能
外部情報	内部知識のみ	API, DB, Web など 動的情報 を取得
デバッグ容易性	推論過程が線形に見えるため理解しやすい	思考と行動ログが残るため 原因追跡がさらに容易
副作用	長い思考テキストがそのまま流出するリスク	行動側に API 誤使用・ループが起きるとコスト増
実装難易度	単に few‑shot 例を足すだけで導入可	ツールラッパー・オーケストレーションが必要

---

4. 代表ユースケース

使用例	CoT が有効	ReAct が有効
算数・論理パズル	✔︎（GSM8K, SVAMP 等）	△
オープンブック QA	△	✔︎ 外部検索で補強
複数 API をつなぐエージェント	△	✔︎ （例）ファイル整理ボット、旅行プランナー
ホールディング思考の可視化	✔︎	✔︎（Thought 出力が共通）

---

5. 実装の手掛かり

CoT の最小プロンプト例

あなたは優秀な数学教師です。
Q: 12 × 23 は？
A: 考えを段階的に示してください。

• few‑shot デモ数件を入れると再現性が向上。

ReAct の最小フレームワーク例（擬似コード）

while True:
    thought = llm(f"{history}\nThought:")
    if "Final Answer:" in thought:
        break
    action = parse_action(thought)          # ex. Search["..."]
    result = tool_executor(action)
    history += f"{thought}\nObservation: {result}"

• tool_executor は検索 API や Python REPL など自由に拡張。

---

6. まとめ

• Chain‑of‑Thought は 「内省的」 ：モデル内部の推論チェーンをそのまま活用し、追加ツールは不要。

• ReAct は 「実践的」 ：推論→行動→観測をループし、外界から情報を得ながらタスクを遂行。

• どちらも推論過程を露出させるため 透明性やデバッグ性 が高まるが、情報漏えいやリソース無限ループには注意が必要。

• 現場では ReAct 上に CoT を組み合わせ、Thought セクションを詳細に書かせるハイブリッド運用が増えているciteturn0search5。

---

参考文献

• Wei, J. et al. Chain‑of‑Thought Prompting Elicits Reasoning in Large Language Models. 2022.

• Yao, S. et al. ReAct: Synergizing Reasoning and Acting in Language Models. 2023.

• Google AI Blog. “ReAct: Synergizing Reasoning and Acting in Language Models.” 2023.

• Prompt Engineering Guide. “ReAct.” 2025.

• Medium 解説記事. “ReAct, Chain of Thoughts and Trees of Thoughts explained with example.” 2024.