ReAct는 대부분의 에이전트 루프 뒤에 있는 패턴입니다. 생각하고, 행동하고, 결과를 보고, 다시 생각합니다.
작동 방식
ReAct 논문(Yao 외, 2022)은 모델이 “generate both reasoning traces and task-specific actions in an interleaved manner.”(번역: 추론 과정과 작업별 행동을 번갈아 생성)하도록 프롬프팅합니다. 논문에 따르면 추론 과정은 “help the model induce, track, and update action plans as well as handle exceptions,“(번역: 모델이 행동 계획을 세우고 추적하고 갱신하며 예외를 처리하도록 돕고) 행동은 모델이 외부 출처에서 사실을 모으게 합니다.
원래의 텍스트 기반 방식에서는 프롬프트에 넣은 몇 가지 예시로 모델에게 다음과 같은 형식을 가르칩니다.
Question: Which city hosted the event the author attended in 2019?
Thought: I need to find which event the author attended in 2019.
Action: search["author 2019 event"]
Observation: The author spoke at a conference in Lisbon in 2019.
Thought: The event was in Lisbon. That answers the question.
Action: finish["Lisbon"]
내 코드가 각 Action을 파싱해 실행하고, 모델을 다시 호출하기 전에 Observation을 덧붙입니다.
논문은 HotpotQA와 Fever에서 ReAct가 간단한 Wikipedia API를 조회해 할루시네이션과 오류 전파를 줄였다고 보고합니다. 모든 단계가 기록되므로, 추론 과정이 없는 기준 방법보다 실행 궤적을 살펴보기도 쉬웠습니다.
오늘날에는 같은 루프가 대개 파싱한 텍스트 대신 구조화된 도구 호출로 실행됩니다. 예를 들어 OpenAI Agents SDK의 러너는 모델을 호출하고, 반환된 도구 호출을 실행하고, 결과를 덧붙여 최종 답변이 나올 때까지 모델을 다시 호출합니다.
왜 중요한가
- 근거 확보. 생각 사이사이에 실제 데이터로 행동하면 할루시네이션으로 이어지는 추측이 줄어듭니다.
- 디버깅. 각 생각과 관찰이 보이므로 실행이 어디서 잘못됐는지 알 수 있습니다.
- 토큰 비용. 모든 Thought, Action, Observation이 기록에 남아 다음 턴에 다시 전송됩니다. 10단계 ReAct 실행은 초기 단계를 10번 보냅니다. 에이전트 토큰 예산 글에서 자세히 분석합니다.
- 추론 모델. 답하기 전에 추론하는 모델은 “Thought” 작업의 일부를 추론 토큰으로 내부에서 처리합니다.
BroadNet Inference에서는
BroadNet의 어떤 채팅 모델로든 ReAct 루프를 실행할 수 있습니다. 텍스트 형식과 퓨샷 예시를 쓰거나, 구조화된 도구를 쓰면 됩니다. BroadNet 문서는 GLM 5.3과 Qwen3.8 27B에 도구 호출을 표기합니다. 요청 형태는 오픈 모델 도구 호출에서 볼 수 있습니다.
DeepSeek V4.1 Flash, GLM 5.3, Qwen3.8 27B는 답하기 전에 추론하며, 그 추론은 max_tokens에 포함됩니다. 단계마다 여유를 두거나 reasoning_effort를 low로 설정하세요.