ㅁ 변화와 유형

1. ReAct

ㅇ 정의:
ReAct는 Reasoning(추론)과 Acting(행동)을 결합한 에이전트 AI 접근 방식으로, LLM이 단순히 답변을 생성하는 것을 넘어 외부 도구 호출, 정보 검색, 계산 등을 수행하며 단계별로 사고 과정을 명시적으로 기록하는 방법이다.

ㅇ 특징:
– 추론 과정과 행동 단계를 번갈아 수행하며 기록
– 외부 API, 데이터베이스, 계산기 등과 연동 가능
– 복잡한 문제 해결이나 다단계 의사결정에 적합
– Chain-of-Thought(CoT)와 Tool Use를 결합한 구조

ㅇ 적합한 경우:
– 복잡한 질의 응답(예: 다단계 수학 문제, 법률 검토)
– 외부 지식이 필요한 상황(예: 실시간 정보 검색)
– 프로세스 투명성이 중요한 경우

ㅇ 시험 함정:
– 단순히 “추론”만 하는 CoT와 동일하다고 혼동하기 쉬움
– ReAct는 행동 단계(Act) 없이 단순 답변 생성만 하는 경우가 아님
– 외부 도구 없이도 동작할 수 있지만, 본질은 추론+행동의 결합임

ㅇ 시험 대비 “패턴 보기” 예시:
– O: “ReAct는 추론과 행동을 번갈아 수행하며 외부 도구를 활용할 수 있다.”
– X: “ReAct는 내부 추론만 수행하며 외부 도구를 사용할 수 없다.”
– X: “ReAct는 행동 없이 추론만 수행하는 방식이다.”

ㅁ 추가 학습 내용

ReAct의 실제 구현 예시로는 OpenAI의 function calling과 LangChain의 Agent 구조가 있다.
시험에서는 ReAct가 단순한 Chain-of-Thought(CoT)와 어떻게 다른지, 그리고 외부 도구 연계 방식(예: API 호출, DB 쿼리, 웹 검색)과의 관계를 물을 수 있다.
ReAct의 장점으로는 투명성과 복잡한 문제 해결 능력이 있으며, 단점으로는 속도 저하와 잘못된 도구 호출 가능성이 있다.
또한 ReAct는 Toolformer, MRKL(Modular Reasoning, Knowledge, and Language)과 비교하는 문제가 출제될 수 있다.