유형: 논문 · 저자: Shunyu Yao, Jeffrey Zhao, Dian Yu · 출처: Princeton University, Google · 별점: ⭐️⭐️⭐️⭐️⭐️

핵심 결론

• 기존: LLM이 문제를 해결할 때 추론(reasoning)과 행동(acting)을 분리된 기능으로 다룸
• ReAct: 두 기능을 교차 실행함으로써 문제 해결 성능, 해석 가능성, 정보 정확도를 동시에 개선

→ ReAct는 AI가 ‘생각만 하거나’ ‘행동만 하는 것’을 넘어서, 생각하면서 행동하고, 행동 결과로 다시 생각하게 만듦

전제

• 기존 AI는 두 가지 방식 중 하나로 문제를 푼다
  1. Reasoning 중심: Chain-of-Thought(CoT) 등 내부 추론 텍스트를 생성 → 논리적 답변 도출
  2. Acting 중심: 행동(action)을 생성 → 외부 도구/환경과 상호작용 (예: 검색, 시뮬레이션)
• 문제
  • Reasoning only는 외부 정보 부족으로 환각과 오류 전파 위험
    • 헛소리인데 논리만 그럴듯한 경우 발생
  • Acting only는 추론 능력이 부족해 복잡한 목표 설정·수정에 취약
    • 시행착오가 많고 비효율적임

⇒ 사람처럼 생각 → 행동 → 결과 보고 다시 생각을 못함

ReAct의 핵심 아이디어

LLM이 복잡한 문제 해결 과정에서 외부 환경과 상호작용하면서도,
추론을 유지·조정·추적할 수 있는 통합된 메커니즘이 필요

⇒ AI에게 ‘혼잣말(추론)’과 ‘행동’을 번갈아 하게 만들자

기본 구조

ReAct는 아래 순환적 루프로 작업을 수행한다:

Thought → Action → Observation → (다시 Thought)

• Thought: 현재 맥락에 대한 언어 기반 추론 → 다음 행동 계획을 만든다.
• Action: 외부 환경과 상호작용하는 구체적 행위 (예: 검색 API 호출).
• Observation: 행동 결과로부터 얻은 정보 → 다음 추론에 반영된다.

메커니즘 핵심

1. Interleaved Execution
   • 추론과 행동의 순차적 조합으로 모델이 스스로 정보를 찾고 계획을 수정한다.
2. Context Update
   • 행동의 결과(observation)를 맥락(context)에 반영 → 이후 추론에 영향을 준다.
3. Dynamic Planning
   • 실행 도중 계획 변경 및 예외 처리 가능 (예: Action 결과가 기대와 다를 때 재추론)

예시 워크플로우

Thought: 이 질의에 답하려면 관련 정보가 필요하다. 검색이 필요하다.
Action: Search[키워드]
Observation: API로 검색된 텍스트 획득
Thought: 검색 결과를 바탕으로 논리적 결론 도출 → Finish

대안 및 변형

대안 1: Plain CoT (Reason Only)

• 구조: Chain-of-thought으로만 사고하며 결과 도출
• 한계: 외부 정보 부족 → 환각 위험

대안 2: Act-only

• 구조: 행동 수행 중심 (검색 등)
• 한계: 행동 앞뒤의 의미론적 계획 부족

변형 방향

1. Tool Augmented ReAct
   • 외부 툴(검색, API, 시뮬레이터) 확장 → 더 복잡한 환경 상호작용 가능
2. Sparse Reasoning Traces
   • 필요 시에만 Thought 삽입 → 의사결정 중심 작업에서 효율성 개선