ReAct Prompting

ReAct(추론 및 행동) 프롬프팅은 프롬프트 엔지니어링의 고급 패러다임으로, 대규모 언어 모델(LLM)이 단계별 추론 과정과 작업별 동작을 동적으로 교차 수행하도록 합니다. 영향력 있는 2022년 학술 논문 "ReAct: 언어 모델에서 추론과 행동의 시너지"에서 소개된 이 기법은 정적인 언어 모델을 상호작용형 AI 에이전트로 전환합니다. 문제에 관한 생각을 명시적으로 생성하고 외부 정보를 검색하는 동작을 실행함으로써 ReAct 프레임워크는 복잡한 인공지능 워크플로에서 사실 정확도와 의사 결정 능력을 크게 향상시킵니다.

추론과 행동의 작동 방식#

기존 상호작용에서 모델은 전적으로 내부 지식에 기반해 응답을 생성하며, 이로 인해 LLM의 환각이 자주 발생합니다. ReAct 아키텍처는 사고, 행동, 관찰을 지속적으로 반복하는 루프를 사용해 AI를 외부 환경에 기반하도록 함으로써 이 문제를 해결합니다.

질문을 받으면 모델은 먼저 전략을 설명하는 "생각"을 생성합니다. 그런 다음 검색 엔진에 질의하거나 데이터베이스와 상호작용하거나 함수 호출이라는 개념을 통해 비전 API를 호출하는 등의 "행동"을 실행합니다. 환경은 사실에 기반한 데이터를 제공하는 "관찰"을 반환합니다. 모델은 이 새로운 정보를 평가하고 추론을 업데이트한 뒤 최종 답에 도달할 때까지 이 주기를 반복합니다. ReAct 프롬프트 엔지니어링 가이드에 더 자세히 설명된 이 방법론은 인간의 문제 해결 방식을 모방하며 투명하고 제어 가능한 에이전트 동작을 구현합니다.

실제 적용 사례#

ReAct 프롬프팅은 반복적인 문제 해결과 다단계 도구 사용이 필요한 시나리오에서 강점을 발휘하므로, 최신 에이전트형 AI 시스템의 핵심 요소입니다.

• 자동화된 고객 지원 에이전트: 엔터프라이즈 환경에서 IT 헬프데스크 에이전트는 ReAct를 사용해 사용자 문제를 해결합니다. 사용자가 네트워크 중단을 신고하면 에이전트는 서버 상태를 확인해야 한다고 판단합니다. 진단 API에 ping을 보내고 그 결과를 관찰한 다음, 가져온 사실을 바탕으로 티켓을 상위 담당자에게 전달하거나 문제 해결 가이드를 제공합니다. 이를 통해 기존 검색 증강 생성(RAG) 파이프라인을 간소화합니다.
• 동적 시각 분석: 컴퓨터 비전 시스템은 복잡한 시각 질의응답을 위해 ReAct를 활용합니다. 재고 관리를 담당하는 로봇 에이전트는 선반을 관찰하고 특정 품목을 세어야 한다고 판단한 다음, 객체 탐지 모델을 호출하고 반환된 바운딩 박스 데이터를 사용해 개수를 확정할 수 있습니다. 이러한 시너지는 텍스트 기반 추론과 공간 이해 사이의 간극을 메웁니다.

컴퓨터 비전에서 ReAct 구현하기#

Python을 사용하는 개발자의 경우 ReAct 에이전트는 물리적 세계와 상호작용하기 위해 인지 모델을 조율하는 경우가 많습니다. 다음 개념 코드에서는 ReAct 추론 루프가 Ultralytics YOLO26 모델을 외부 도구로 원활하게 배포해 환경을 관찰하고 보고하는 방식을 보여줍니다.

from ultralytics import YOLO


def vision_tool(image_path: str) -> str:
    """Action tool for a ReAct agent to detect objects in an image."""
    model = YOLO("yolo26n.pt")  # Load highly efficient YOLO26 nano model
    results = model(image_path)

    # Format the observation for the LLM's reasoning loop
    detected_classes = [model.names[int(c)] for c in results[0].boxes.cls]
    return f"Observation: Found {len(detected_classes)} objects: {', '.join(detected_classes)}"


# Simulated ReAct agent executing an action
agent_observation = vision_tool("https://ultralytics.com/images/bus.jpg")
print(agent_observation)

이러한 비전 도구의 데이터셋 관리와 실험 추적은 최신 AI 배포를 위한 포괄적인 솔루션을 제공하는 Ultralytics Platform을 사용해 간소화할 수 있습니다. 에이전트를 처음부터 구축하려는 경우 공식 ReAct 저장소에서 기초 로직을 살펴볼 수도 있습니다.

관련 개념 구분하기#

최근 학술 정렬 연구에서 다룬 견고한 멀티모달 아키텍처를 설계하려면 ReAct와 관련 엔지니어링 패턴을 구분하는 것이 중요합니다.

• 연쇄적 사고 프롬프팅과 비교: 연쇄적 사고(CoT)는 모델이 단계별로 생각하도록 유도하지만 정적인 내부 지식에 전적으로 의존합니다. ReAct는 추론 과정에서 새로운 외부 관찰을 수집하는 동적인 "행동"을 추가해 CoT를 확장합니다.
• 프롬프트 체이닝과 비교: 프롬프트 체이닝은 여러 LLM 호출을 순서대로 하드코딩하며 한 단계의 출력을 자동으로 다음 단계에 전달합니다. 반면 ReAct는 엄격하게 연결된 스크립트를 따르는 대신, 지속적인 관찰을 바탕으로 단일 에이전트가 어떤 도구나 순차적 행동을 취할지 동적으로 결정하는 더욱 자율적인 패러다임입니다.

논리적 추론과 멀티모달 모델 같은 특수 외부 도구의 실행을 결합함으로써 ReAct 프롬프팅은 고성능 범용 AI 시스템의 개발을 가능하게 합니다.