논문: ReAct: Synergizing Reasoning and Acting in Language Models 저자: Yao et al. (Princeton, Google Brain) 링크: https://arxiv.org/abs/2210.03629

논문 핵심

ReAct는 LLM이 생각(Thought) → 행동(Action) → 관찰(Observation)을 반복하며 복잡한 문제를 해결하는 프레임워크입니다.

ReAct 패턴

"We propose ReAct, a general paradigm that synergizes reasoning and acting with language models."

Thought: 한국의 수도를 알아야 하고, 그 도시의 인구를 찾아야 한다.
Action: Search[한국의 수도]
Observation: 서울은 대한민국의 수도이다.
Thought: 서울의 인구를 검색해야 한다.
Action: Search[서울 인구]
Observation: 서울의 인구는 약 950만 명이다.
Thought: 답을 알았다.
Action: Finish[약 950만 명]

기존 방법과의 비교

  • CoT만: 추론은 하지만 외부 정보 활용 불가 → 환각 위험
  • Action만: 행동은 하지만 계획 없음 → 비효율적
  • ReAct: 추론으로 계획 + 행동으로 정보 수집 → 상호 보완

실무 시사점

ReAct는 현재 LangChain, CrewAI 등 AI Agent 프레임워크의 핵심 설계 패턴입니다. 기업의 AI Agent를 구축할 때 "모델이 어떤 순서로 사고하고 행동해야 하는가"의 답을 이 논문에서 찾을 수 있습니다.