ReAct 패턴

• ReAct = Reasoning + Acting. LLM(Large Language Model)이 매 턴 "생각(Thought) → 행동(Action) → 관찰(Observation)" 사이클을 명시적으로 출력하면서 에이전트를 동작시키는 가장 기초적이고 많이 쓰이는 패턴이다.
• 2022년 Yao et al. 논문에서 제안. 핵심 아이디어: 추론 흔적(reasoning trace)을 LLM이 직접 텍스트로 쓰게 하면, 도구 호출 정확도와 디버깅 가능성이 모두 올라간다.

작동 방식

Copy
Thought: 사용자가 오늘 서울 기온을 물었다. weather_tool을 써야 한다.
Action: weather_tool(city="서울")
Observation: 18°C, 흐림
Thought: 정보를 받았으니 답하면 된다.
Final Answer: 오늘 서울은 18°C, 흐림입니다.

Python 의사 구현

PythonCopy

프롬프트 템플릿 (전형적)

TEXTCopy
다음 도구를 사용할 수 있다: {tool_names}

다음 형식을 반드시 따라라:
Thought: (다음에 할 일에 대한 생각)
Action: 도구이름(인자)
Observation: (도구 실행 결과 — 시스템이 채움)
... (반복) ...
Thought: 이제 답할 수 있다
Final Answer: (최종 답변)

Question: {question}
{scratchpad}

장점

• 해석 가능성 — Thought가 그대로 로그로 남아 왜 그 도구를 불렀는지 추적 가능.
• 에러 회복 — 도구 실패 시 Observation에 에러 메시지를 넣고 LLM이 재시도/대안 선택을 할 수 있다.
• 구현 단순 — 별도 그래프 엔진 없이 텍스트 파싱만으로 동작.

한계

• 단일 LLM이 모든 단계를 처리해 긴 작업에서 컨텍스트가 누적되어 비용·지연·환각이 증가.
• 파싱 실패에 취약 (LLM이 형식을 어기면 깨짐) — 그래서 요즘은 구조화된 tool call로 대체되는 추세.
• 복잡한 분기·병렬은 표현이 어렵다 → LangGraph나 Plan-and-Execute로 확장.

관련 패턴

• Plan-and-Execute — 먼저 전체 계획을 세우고 실행. ReAct는 step-by-step.
• Reflexion — ReAct에 자기비판(self-critique) 루프를 추가.
• Tool Calling — 최신 LLM은 ReAct 텍스트 파싱 대신 네이티브 tool call로 같은 일을 수행.