생각(Thought)과 행동(Action), 관찰(Observation)을 순환하며 외부 도구로 추론을 보강하는 에이전트 패턴입니다.
개념
ReAct는 추론(Reasoning)과 행동(Acting)을 결합한 에이전트 프레임워크입니다. 생각한 후 외부 도구를 사용하고, 결과를 관찰하는 순환 구조를 가집니다.
flowchart LR
T["Thought<br/>다음 행동 계획"] --> A["Action<br/>도구 호출"]
A --> O["Observation<br/>결과 수신"]
O --> D{"목표 달성"}
D -->|아니요| T
D -->|예| F["최종 답변"]
동작 구조
- Thought: 현재 상황을 분석하고 다음 단계를 계획합니다
- Action: 외부 도구를 호출합니다 (검색, 계산 등)
- Observation: 행동 결과를 수신합니다
- 목표를 달성할 때까지 1-3 단계를 반복합니다
예시
아래 검색 응답은 흐름을 설명하는 가상 예시이며, 현재 정보나 실제 도구 실행 결과가 아닙니다.
질문: "롯데월드타워의 높이는?"
Thought: 롯데월드타워 높이를 알아야 함. 검색 필요. Action: [Search] "롯데월드타워 높이" Observation: 554.5미터
Thought: 정보를 얻었음. 답변 가능. Answer: 554.5미터
다단계 추론 예시
질문: "한국에서 가장 높은 건물과 두 번째로 높은 건물의 높이 차이는?"
Thought: 먼저 가장 높은 건물을 알아야 합니다. Action: [Search] "한국 가장 높은 건물" Observation: 롯데월드타워 (554.5m)
Thought: 두 번째로 높은 건물도 알아야 합니다. Action: [Search] "한국 두 번째로 높은 건물" Observation: 해운대 LCT 더샵 (411.6m)
Thought: 이제 차이를 계산할 수 있습니다. Action: [Calculate] 554.5 - 411.6 Observation: 142.9
Answer: 142.9미터
장점
| 장점 | 설명 |
|---|---|
| 검증 가능성 | 어떤 도구를 사용했는지 투명 |
| 최신 정보 | 검색으로 실시간 정보 접근 |
| 투명성 | 추론 과정이 명확 |
| 확장성 | 새로운 도구 쉽게 추가 |
Chain of Thought(CoT)만으로는 해결할 수 없는 문제
질문: "오늘 서울 날씨는?"
CoT만 사용: Thought: 서울은 한국의 수도이고... Answer: 서울은 사계절이 뚜렷하여... (할루시네이션)
ReAct 사용: Thought: 실시간 날씨 정보가 필요합니다 Action: [Search] "오늘 서울 날씨" Observation: 맑음, 기온 -2°C Answer: 오늘 서울은 맑고, 기온은 영하 2도입니다.
성능
ReAct는 단독으로 항상 최고는 아닙니다. 추론 위주인 HotpotQA에서는 CoT가 더 낫고, ReAct는 CoT Self-Consistency(CoT-SC)와 결합할 때 가장 좋습니다. 반면 사실 검증 벤치마크인 FEVER에서는 ReAct가 CoT를 앞섭니다. 아래는 ICLR 2023 논문의 Table 1이 보고한 PaLM-540B 기준 수치입니다.
| 벤치마크 | CoT | ReAct | ReAct → CoT-SC | CoT-SC → ReAct |
|---|---|---|---|---|
| HotpotQA (EM, Exact Match) | 29.4 | 27.4 | 35.1 | 34.2 |
| FEVER (정확도) | 56.3 | 60.9 | 62.0 | 64.6 |
화살표는 논문이 정한 조건에서 다른 방법으로 전환하는 순서입니다. 두 결합 정책은 동일하지 않습니다. 이 결과를 모든 추론 문제와 사실 검증 문제의 우열로 일반화할 수 없습니다.
사용 가능한 도구들
| 도구 | 용도 | 예시 |
|---|---|---|
| Search | 정보 검색 | 최신 뉴스, 사실 확인 |
| Calculate | 수학 계산 | 복잡한 연산 |
| Wikipedia | 백과사전 조회 | 개념 설명 |
| Code | 코드 실행 | 프로그래밍 작업 |
| Calendar | 날짜 계산 | 요일, 기간 계산 |
한계
-
복잡한 다단계 도구 사용 시 실패 가능
- 도구 사용 순서가 복잡해지면 오류 증가
-
잘못된 경로에서 회복 어려움
- 한 번 잘못된 방향으로 가면 되돌리기 어려움
-
도구 의존성
- 적절한 도구가 없으면 해결 불가
Reflexion과의 결합
ReAct의 한계를 줄이기 위해 Reflexion과 결합할 수 있습니다.
1차 시도 Thought: 검색이 필요합니다. Action: [Search] "잘못된 검색어" Observation: 관련 없는 결과 (실패)
Reflexion: "검색어가 너무 모호했습니다. 더 구체적으로 검색해야 합니다."
2차 시도 Thought: 더 구체적인 검색어 사용 Action: [Search] "구체적인 검색어" Observation: 정확한 결과 -- 성공
구현 패턴
아래 react_loop는 실행하지 않은 설명용 의사코드입니다. max_iterations 파라미터는 무한 루프를 막기 위한 최대 반복 횟수를 지정합니다. 기본값 5는 예시이며, 적절한 상한은 작업별 평가가 필요합니다.
각 반복에서 LLM이 사고(Thought)를 생성하고, 행동(Action)을 결정하면 해당 도구([Search], [Calculate] 등)를 실행합니다. 그 관찰 결과(Observation)를 context에 누적하고, 목표를 달성하면 최종 답변을 반환합니다.
def react_loop(question, max_iterations=5):
context = f"Question: {question}\n"
for i in range(max_iterations):
# Thought 생성
thought = llm.generate(context + "Thought:")
context += f"Thought: {thought}\n"
# Action 결정
action = llm.generate(context + "Action:")
if action.startswith("[Search]"):
result = search(action.query)
elif action.startswith("[Calculate]"):
result = calculate(action.expression)
else:
break
context += f"Action: {action}\n"
context += f"Observation: {result}\n"
# 최종 답변 생성
answer = llm.generate(context + "Answer:")
return answer관련 개념
- Chain of Thought (CoT): 기반 기술 (추론만)
- Reflexion: 실패 복구 추가
- LATS: 트리 탐색 결합
- Toolformer: 도구 사용 자동 학습
정리
ReAct는 Thought-Action-Observation을 순환하며 외부 도구로 추론을 보강하는 패턴입니다. 추론만으로 얻을 수 없는 실시간 정보와 사실 검증을 도구 호출로 제공합니다. 사용한 도구가 드러나므로 과정을 검증하기 쉽습니다. 다만 도구 사용 순서가 복잡해지면 실패하고, 잘못된 경로에서 회복이 어렵습니다.
원 논문의 과제별 차이가 새로운 작업에서도 유지되는지는 별도 평가가 필요합니다. 실패 복구가 필요하면 Reflexion, 탐색이 필요하면 LATS와 결합하는 식으로 보강합니다.