ReAct — “생각하고, 행동하고, 다시 생각하기”

ReAct는 AI 에이전트의 가장 기본이 되는 추론 패턴입니다. “Reason + Act”의 합성어로, 2022년 Google Research가 제안했어요.

핵심 아이디어

에이전트가 한 번에 답을 내는 게 아니라, 다음 3단계를 반복합니다.

Thought (생각) → Action (행동) → Observation (관찰) → 다시 Thought

왜 강력한가

단순한 “Q&A”와 비교해 보세요.

방식	약점
직접 답변	중간 사고를 보여주지 않아 신뢰도가 낮음
Chain-of-Thought	추론은 잘하지만 실제 외부 정보에 접근 못함
ReAct	추론 + 도구 사용을 한 사이클로 묶음

직접 구현해보기

def react_loop(question, llm, tools, max_steps=5):
    scratchpad = f"Question: {question}\n"
    for i in range(max_steps):
        # 1. Thought
        thought = llm(
            f"{scratchpad}\nThought {i+1}:"
        )
        scratchpad += f"Thought {i+1}: {thought}\n"

        # 2. Action 결정
        action = llm(
            f"{scratchpad}\nAction {i+1}:"
        )
        scratchpad += f"Action {i+1}: {action}\n"

        # 3. Finish면 종료
        if "Final Answer:" in action:
            return action.split("Final Answer:")[1].strip()

        # 4. 도구 실행 (Observation)
        tool_name, tool_input = parse_action(action)
        if tool_name in tools:
            observation = tools[tool_name](tool_input)
        else:
            observation = "Tool not found"
        scratchpad += f"Observation {i+1}: {observation}\n"

    return "Max steps reached"

ReAct가 빛나는 순간

• 외부 정보가 필요한 질문 — “오늘 서울 날씨 어때?”
• 다단계 계산 — “환율 반영해서 일본 여행 경비 계산해줘”
• 툴 체이닝 — “GitHub 이슈 검색 → 관련 코드 찾기 → PR 만들기”

한계

• 토큰 사용량이 큼 (전체 scratchpad를 매번 다시 보내야 함)
• 무한 루프 위험 → max_steps 필수
• 도구 실패 처리를 직접 구현해야 함

다음 글에서

• ReAct vs Plan-and-Execute — 어떤 게 더 좋을까
• LangGraph로 ReAct 그래프 시각화하기
• 멀티 에이전트 ReAct — Supervisor 패턴