ReAct (Reasoning and Acting)

개요

ReAct(Reasoning and Acting)는 대규모 언어모델(LLM)이 사고(Reasoning)와 외부 환경에 대한 행위(Action)를 번갈아 수행하도록 유도하는 프롬프트 설계 기법입니다. ReAct는 LLM이 단순히 응답을 생성하는 데 그치지 않고, 생각하고 → 도구를 호출하고 → 다시 생각하고 → 결론을 도출하는 방식으로 능동적이고 인터랙티브한 에이전트 추론 체계를 구현합니다. 이는 검색 기반 QA, 툴 기반 작업 자동화, 다단계 추론형 AI 어시스턴트 등에서 핵심 전략으로 활용됩니다.

---

1. 개념 및 정의

ReAct는 하나의 프롬프트 흐름 내에서 다음을 반복합니다:

• Thought: 문제를 해결하기 위한 사고 과정 (CoT 기반)
• Action: 외부 API, 계산기, 검색 도구 등을 호출
• Observation: Action의 결과를 받아 다시 사고로 연결
• Answer: 최종 출력 도출

Question: 검색 결과를 바탕으로, 파리에 있는 박물관 수를 알려줘.
Thought: 파리에 있는 박물관 수를 알기 위해 검색이 필요해.
Action: [Search("Number of museums in Paris")]
Observation: 130
Thought: 검색 결과를 기반으로 정답을 낼 수 있어.
Answer: 파리에는 약 130개의 박물관이 있습니다.

---

2. 특징

항목	설명	비고
사고 + 행위 결합	추론 과정과 API 사용을 동시에 설계	Tool-augmented LLM
반복 가능한 구조	Observation에 따라 사고-행위 반복	유연한 에이전트화 가능
외부 도구 통합	계산기, 검색, 코드 실행 등 가능	LangChain, OpenAI tool 지원

ReAct는 LLM의 추론 능력과 도구 활용 능력을 결합한 지능형 시스템 기반 인터페이스입니다.

---

3. ReAct vs CoT vs ToT 비교

항목	ReAct	CoT	ToT
구조	사고 + 도구 호출	단일 사고 흐름	다중 사고 경로 탐색
활용성	외부 API와 연동한 상호작용	논리 기반 답안 생성	창의성, 설계 탐색에 특화
특징	도구를 통해 정보 보완 가능	사전지식 기반 응답	평가 기반 사고 확장

---

4. 적용 사례

분야	활용 사례	효과
검색 기반 QA	최신 정보 검색 + 답변 생성	사실성 + 최신성 확보
계산 기반 문제	수식 계산기 호출	수치 정확도 향상
코드 실행형 문제	파이썬 코딩 + 실행 결과 분석	AI 코딩 에이전트 구성 가능
여행/추천 시스템	날씨 API, 지역 데이터 검색	사용자 맞춤 추천 가능
금융/리서치	뉴스/시장 데이터 호출	실시간 정보 분석 가능

---

5. 구현 구조

1. Prompt 시작 → 질문 제시
2. LLM → Thought 출력
3. LLM → Action 출력
4. 외부 도구 → Observation 응답 반환
5. 다시 LLM → Thought → Action 반복 또는 Answer 도출

이를 LangChain, OpenAI Function Calling, AgentLLM 등에서 쉽게 구현할 수 있습니다.

---

6. 장점 및 주의사항

항목	장점	주의사항
도구 통합	LLM 한계를 도구로 보완	Tool 응답 품질 영향 큼
고차 추론 가능	도구 → 사고 반복으로 복합 문제 해결	Token 길이 제한 고려
유연한 구조 설계	다양한 에이전트 플로우 구현 가능	Loop, 무한 실행 방지 장치 필요

---

7. 결론

ReAct는 LLM이 단순한 언어 모델을 넘어서 사고 능력과 행위 능력을 동시에 갖춘 에이전트로 진화하는 핵심 프롬프트 전략입니다. 다양한 도구와의 연계를 통해 정보검색, 계산, 분석, 실행을 자유롭게 조합할 수 있어, 향후 AI 비서, 연구지원, 자동화 시스템 등에서 멀티모달 인터랙션 에이전트의 기반 기술로 발전할 것입니다.