영상 핵심 정리 — ReAct 패턴으로 Agent 비용 90% 절감

ReAct는 2022년 Google이 발표한 Agent 설계 패턴으로, LLM이 '생각하고 → 행동하고 → 결과를 관찰하고 → 다시 생각하는' 루프를 반복하여 복잡한 태스크를 완수한다.

---

1. ReAct 루프 구조

Goal: 라인 2의 불량률이 어제보다 2% 상승한 원인을 찾아라

Thought 1: 라인 2 센서 데이터를 먼저 조회해야 한다
Action 1:  get_sensor_data(line=2, period='24h')
Observ 1:  온도 87°C (임계 85°C 초과), 진동 정상

Thought 2: 온도 이상이 원인일 수 있다. 냉각 시스템 상태 확인이 필요하다
Action 2:  get_cooling_system_status(line=2)
Observ 2:  냉각수 유량 15% 감소

Thought 3: 냉각수 유량 감소 → 온도 상승 → 불량률 증가 연결이 확인됐다
Action 3:  create_maintenance_ticket(issue='냉각수 유량 저하', priority='HIGH')
Answer:    냉각 시스템 이상으로 인한 열 변형이 불량률 상승 원인

2. 비용 구조와 절감 전략

비용 요인	영향	절감 방법
루프 반복	토큰 50배	Max Step 제한
컨텍스트 누적	5배	Sliding Window 압축
System Prompt 반복	고정 비용	프롬프트 캐싱
불필요한 Tool 호출	낭비	Tool 선택 프롬프트 최적화

3. 무한 루프 방지

MAX_STEPS = 10
for step in range(MAX_STEPS):
    response = llm_call(messages)
    if response.finish_reason == 'stop':  # 최종 답변
        break
    if is_duplicate_action(response, history):  # 루프 감지
        break
    # Tool 실행 후 Observation 추가
else:
    return 'Max step 초과: 수동 검토 필요'

함정 주의: ReAct 루프에서 Observation이 모호하면 LLM이 같은 Action을 반복하는 '무한 루프'에 빠진다. 각 Tool의 반환값은 '다음 행동을 결정하기에 충분한 정보'를 포함해야 하며, 오류 발생 시도 오류 코드+설명을 명확히 반환해야 한다.

---

다음 task와의 연결

'ReAct 루프: Thought-Action-Observation' 읽기 자료에서 ReAct를 LangGraph로 구현하는 방법과 각 단계를 시각화하여 디버깅하는 기법을 학습한다.

ReAct 패턴으로 10회 루프를 도는 제조 불량 진단 에이전트의 토큰 비용을 계산해줘. 각 루프마다 Thought+Action+Observation이 누적될 때의 총 비용, 프롬프트 캐싱을 적용했을 때, 히스토리를 요약 압축했을 때 각각 비용이 어떻게 달라지는지 수치로 비교하고 '90% 절감'이 가능한 조건을 검증해줘.