ReAct Prompting

ReAct (Reasoning and Acting) prompting is an advanced prompt engineering paradigm that enables Large Language Models (LLMs) to dynamically interleave step-by-step reasoning traces with task-specific actions. Introduced in the influential 2022 academic paper "ReAct: Synergizing Reasoning and Acting in Language Models", this technique transforms a static language model into an interactive AI agent. By explicitly generating thoughts about a problem and executing actions to retrieve external information, the ReAct framework significantly improves factual accuracy and decision-making capabilities in complex artificial intelligence workflows.

Link to this section추론과 행동의 메커니즘#

기존의 상호작용 방식에서 모델은 전적으로 내부 지식에 기반하여 응답을 생성하며, 이는 종종 LLM의 환각(hallucination) 현상을 유발합니다. ReAct 아키텍처는 사고(Thoughts), 행동(Actions), 관찰(Observations)의 연속적인 루프를 사용하여 AI를 외부 환경에 연결함으로써 이 문제를 해결합니다.

쿼리가 주어지면 모델은 먼저 전략을 개략적으로 설명하는 "사고(Thought)"를 생성합니다. 그런 다음 function calling으로 알려진 개념을 통해 검색 엔진 쿼리, 데이터베이스 상호작용 또는 비전 API 호출과 같은 "행동(Action)"을 유발합니다. 환경은 사실 데이터를 제공하는 "관찰(Observation)"을 반환합니다. 모델은 이 새로운 정보를 평가하고 추론을 업데이트하며, 최종 답변에 도달할 때까지 이 주기를 반복합니다. Prompt Engineering Guide on ReAct에서 더 자세히 설명된 이 방법론은 인간의 문제 해결 방식을 모방하며 매우 투명하고 제어 가능한 에이전트 행동을 확립합니다.

Link to this section실제 애플리케이션 사례#

ReAct 프롬프팅은 반복적인 문제 해결과 다단계 도구 사용이 필요한 시나리오에서 탁월하며, 현대의 에이전트 AI 시스템의 핵심 요소입니다.

• 자동화된 고객 지원 에이전트: 기업 환경에서 IT 헬프데스크 에이전트는 사용자의 문제를 해결하기 위해 ReAct를 사용합니다. 사용자가 네트워크 중단을 보고하면, 에이전트는 서버 상태를 확인해야 한다고 추론합니다. 에이전트는 진단 API를 핑(ping)하여 행동하고, 결과를 관찰한 다음, 사실 정보를 바탕으로 티켓을 상위 부서로 전달하거나 문제 해결 가이드를 제공하여 전통적인 검색 증강 생성(RAG) 파이프라인을 효율화합니다.
• 동적 시각 분석: 컴퓨터 비전 시스템은 복잡한 시각적 질의응답을 위해 ReAct를 활용합니다. 재고 관리를 담당하는 로봇 에이전트는 선반을 관찰하고, 특정 품목을 세어야겠다고 추론한 뒤, 객체 탐지 모델을 호출하여 행동하고, 반환된 bbox 데이터를 사용하여 개수 계산을 완료할 수 있습니다. 이러한 시너지는 텍스트 기반 추론과 공간적 이해 사이의 간극을 메워줍니다.

Link to this section컴퓨터 비전을 활용한 ReAct 구현#

Python을 사용하는 개발자들에게 ReAct 에이전트는 종종 물리적 세계와 상호작용하기 위해 인식 모델을 조정합니다. 다음 개념 코드는 ReAct 추론 루프가 어떻게 Ultralytics YOLO26 모델을 외부 도구로 원활하게 배포하여 환경을 관찰하고 보고할 수 있는지 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 도구를 위한 데이터셋 관리와 실험 추적은 최신 AI 배포를 위한 포괄적인 솔루션을 제공하는 Ultralytics Platform을 사용하여 완전히 간소화할 수 있습니다. 처음부터 이러한 에이전트를 구축하는 데 관심이 있는 분들은 공식 ReAct 저장소에서 기초 논리를 공부할 수 있습니다.

Link to this section관련 개념 구분#

최근 학술적 정렬 연구에서 탐구된 것과 같은 강력한 멀티모달 아키텍처를 설계하려면 ReAct를 관련 엔지니어링 패턴과 구별하는 것이 중요합니다:

• 대 Chain-of-Thought 프롬프팅: CoT(Chain-of-Thought)는 모델이 단계별로 생각하도록 장려하지만, 전적으로 정적인 내부 지식에 의존합니다. ReAct는 추론 과정 중에 신선한 외부 관찰 결과를 수집하는 동적인 "행동"을 주입하여 CoT를 확장합니다.
• 대 프롬프트 체이닝: 프롬프트 체이닝은 한 단계의 출력이 자동으로 다음 단계로 전달되는 별도의 LLM 호출 시퀀스를 하드코딩하는 것을 포함합니다. Re 단편적이고 고정된 스크립트를 따르는 대신, 단일 에이전트가 진행 중인 관찰 결과를 바탕으로 어떤 도구나 순차적 행동을 취할지 동적으로 결정하는 보다 자율적인 패러다임입니다.

논리적 추론과 멀티모달 모델과 같은 특수 외부 도구의 실행을 결합함으로써, ReAct 프롬프팅은 매우 유능한 범용 AI 시스템의 개발을 가능하게 합니다.