ReAct 논문 (2022, Yao et al.)

"Synergizing Reasoning and Acting in Language Models" 추론과 행동을 결합하면 LLM이 더 정확하게 문제를 푼다.

핵심 아이디어: LLM에게 "생각을 말로 하면서" Tool을 사용하게 한다.

---

3가지 요소

요소	설명	예시
Thought	LLM이 현재 상황을 분석하고 다음 행동을 결정	"CNC-003만 경고니까 이것부터 확인하자"
Action	Tool을 호출하여 정보를 얻거나 행동을 실행	get_alarm_history("CNC-003")
Observation	Tool 결과를 확인하고 다음 단계를 판단	"W-1105 알람. 베어링 관련이다."

---

왜 Thought가 중요한가?

Thought 없는 Agent (단순 Tool 호출)

LLM이 왜 그 Tool을 호출하는지 설명하지 않으니 엉뚱한 방향으로 흘러간다.

Thought 있는 Agent (ReAct)

5번의 정확한 호출. 불필요한 호출 0.

---

ReAct vs 다른 패턴

패턴	특징	장점	단점
단순 Tool 호출	LLM이 바로 Tool 선택	빠름	정확도 낮음, 불필요한 호출
Chain of Thought	생각만 하고 행동 안 함	추론 좋음	외부 데이터 접근 불가
ReAct	생각 + 행동 결합	정확도 높음, 효율적	약간 느림 (생각 시간)
Plan-and-Execute	먼저 전체 계획 후 실행	복잡한 작업에 좋음	계획 변경 어려움

---

ReAct 프롬프트 구조

핵심: System Prompt에 "생각하라"고 명시해야 한다. 안 그러면 LLM은 바로 Tool을 호출한다.