ReAct(Reasoning + Acting)는 2022년 구글이 제안한 프롬프팅 패턴으로, 「모델이 추론(Thought) → 행동(Action) → 관찰(Observation)을 번갈아 반복하며 문제를 풀게 하는」 구조입니다.
LLM에 외부 도구를 결합하는 「에이전트(agent)」의 토대가 됐습니다.
기본 흐름은 다음과 같습니다.
사용자가 「2024년 한국의 GDP는?」이라 묻습니다.
모델은 「Thought: 검색이 필요하다」 → 「Action: search("2024 South Korea GDP")」 → 「Observation: 검색 결과 1.7조 달러」 → 「Thought: 답이 충분하다」 → 「Final Answer: 약 1.7조 달러」 식으로 진행합니다.
전통적인 LLM은 「학습 시점 이후의 정보」를 모릅니다.
ReAct로 검색·계산·코드 실행 같은 도구를 호출할 수 있게 하면, 모델 자체에 없는 정보도 가져와 답할 수 있게 됩니다.
「실시간 환율」, 「최근 뉴스」, 「복잡한 계산」 같은 작업에 결정적입니다.
비유하자면 ReAct는 「수험생이 책을 보고만 답하는 게 아니라, 사전을 펴 보고, 계산기를 두드리고, 그 결과를 보면서 다시 생각하는」 과정과 같습니다.
정보를 외부에서 가져올 수 있게 하면 답의 신뢰성이 크게 올라갑니다.
오늘날의 「AI 에이전트」 — 자율적으로 도구를 사용하는 LLM 시스템 — 의 거의 모든 구현이 ReAct의 변형입니다.
LangChain, LangGraph, AutoGPT 같은 프레임워크 모두 ReAct 패턴 위에 자기 변형을 더한 것입니다.
한 줄 요약
ReAct는 추론(Thought) → 행동(Action) → 관찰(Observation)을 반복하며 외부 도구를 사용하는 LLM 패턴으로, 현대 AI 에이전트의 토대입니다.
더 알아볼 것
- Toolformer — LLM이 도구 사용을 스스로 학습
- LangChain·LangGraph의 에이전트 구현
- Plan-and-Execute — ReAct의 진화 패턴
