프롬프트·AI 활용

ReAct

리액트

AI 활용 분야에서 쓰이는 용어로, ReAct(Reasoning + Acting, 추론과 행동 결합)의 약자로, LLM이 답하기 전에 생각을 적고 외부 도구를 호출하고 결과를 다시 생각하는 과정을 반복해 답에 도달하도록 만든 에이전트 패턴입니다.

쉬운 풀이

LLM이 한 번에 답을 내지 않고, "이걸 풀려면 뭐가 필요하지" 하고 생각을 적은 다음 검색·계산 같은 도구를 직접 부르고, 그 결과를 다시 읽고 또 생각하는 식으로 답을 찾아가도록 만든 패턴이에요. 조별 과제 발표 자료를 만들 때 처음부터 머릿속으로만 쓰지 않고, 도서관에서 책을 한 권 찾아 읽고 다시 정리하고, 부족하면 또 검색해 보는 식으로 진행하는 흐름과 닮았어요. 요즘 Claude Code나 Cursor 같은 AI 코딩 도구가 자율적으로 일하는 방식이 대부분 이 ReAct 루프 위에 올라가 있어서, AI 에이전트라는 말을 들으면 가장 먼저 떠올려야 할 기본 구조입니다.

한 줄 비유

회의 중 검토와 자료 요청을 번갈아 가며 결론을 모아 가는 실무자의 일머리입니다.

활용 예시

Case 1

Princeton·Google Brain — HotpotQA 다중 단서 검색 에이전트

2022년 ReAct 논문은 "콜로라도 조산운동 동부 구간의 고도 범위는?" 같은 다중 단서 질문에 ReAct를 시연했습니다 ^[1]. PaLM-540B 기준 모델이 Thought→Search[Colorado orogeny]→Observation→Thought→Search[High Plains]를 5회 반복해 1,800~7,000ft라는 답에 도달하는 트레이스를 보여줬고 ^[2], 같은 과제에서 ReAct+CoT 조합이 단독 CoT 대비 환각 발생률을 절반 이하로 끌어내렸습니다 ^[1]. 사내 매뉴얼·정관·법령처럼 한 번의 검색으로 못 푸는 자료를 단계적으로 찾아 답해야 하는 사용처에 쓰입니다.

Case 2

SK텔레콤 DevOcean — 한국어 ReAct 에이전트 데모

SKT 기술 블로그 DevOcean은 "2026년 대통령 선거 일정은?" 같은 한국어 질문에 ReAct 루프를 적용한 사례를 공개했습니다 ^[5]. 에이전트가 Thought("학습 데이터 이후 정보가 필요합니다")→Action(Search("2026년 대선 일정"))→Observation→Final Answer 흐름으로 학습 컷오프 이후의 최신 정보까지 정확히 답하는 트레이스를 시연했고, 단발 RAG 챗봇이 한 번의 검색으로 못 풀던 다단 질문을 표준으로 해결하는 패턴으로 소개됐습니다 ^[5]. 사내 RAG 챗봇이 단발 검색으로 못 풀던 정관·인사규정 다단 질의를 처리하는 사용처에 쓰입니다.

Case 3

IBM watsonx — LangGraph ReAct 모듈 기반 IT 헬프데스크

IBM Think(2025년 3월)는 LangGraph의 prebuilt ReAct 모듈로 IT 지원 티켓을 처리하는 튜토리얼을 공개했습니다 ^[3]. 시스템 프롬프트에 Wikipedia·DuckDuckGo·Calculator 도구를 등록하고 "Thought / Action / Action Input / Observation" 포맷을 강제해, 기존 Function Calling(함수 호출) 방식 대비 추론 과정이 한 줄씩 로그로 남아 감사 추적과 디버깅이 가능합니다 ^[3]. 엔터프라이즈에서 환각·근거 부재 리스크를 낮추는 권장 패턴으로 제시됩니다.

Case 4

LangChain — `create_react_agent` 다중 단서 RAG 표준 템플릿

LangChain은 create_react_agent를 공식 문서 표준 예제로 제공하며, "Olivia Wilde 남자친구의 나이를 0.23제곱하면?" 같은 2단계 질문을 Search→Search→Calculator 3회 호출로 풀어내는 트레이스를 보여줍니다 ^[4][2]. 단발 RAG가 한 번에 못 풀던 다중 단서(multi-hop) 질문을 도구 조합으로 해결하는 게 주된 적용처이며, LangGraph·LlamaIndex로도 같은 패턴이 이식돼 사실상 산업 표준이 됐습니다 ^[4][3]. 사내 데이터·외부 API를 함께 묶어 답해야 하는 RAG 챗봇 구축 사용처에 쓰입니다.

참고사항

시스템 프롬프트에 "Thought / Action / Action Input / Observation / Final Answer" 5개 헤더를 그대로 박아 넣습니다.
사용 가능한 도구(검색·계산기·사내 DB) 이름과 한 줄 설명을 프롬프트 상단에 명시합니다.
최대 루프 횟수(예: 5회)를 한도로 걸어 무한 반복을 차단합니다.
LangGraph의 create_react_agent로 30분 안에 프로토타입 한 개를 만들어 봅니다.
트레이스 로그를 그대로 보관해 환각·잘못된 도구 호출이 어느 Thought 단계에서 발생했는지 사후 점검합니다.

ReAct에도 명확한 한계가 있습니다. 논문 저자들은 HotpotQA에서 ReAct 단독이 CoT보다 점수가 낮은 구간을 직접 보고했고, 원인을 "구조적 제약 때문에 추론 단계의 유연성이 떨어지고, 검색 결과가 부정확하면 잘못된 전제를 그대로 끌고 간다"고 분석했습니다 ^[1][2]. IBM Think도 단순·예측 가능한 과제에서는 Function Calling이 ReAct보다 토큰을 적게 쓰고 빠르다고 명시했습니다 ^[3]. 도구 호출마다 별도 왕복이 일어나 토큰 비용과 지연이 더 크고, 무한 루프 방지를 위한 최대 단계 한도와 트레이스 검토 비용도 운영 부담으로 잡혀 있습니다 ^[3]. 즉 모든 사용처에 ReAct를 끼우는 게 정답은 아니며, 단발 RAG로 충분한 단순 질의에는 오히려 과한 설계가 됩니다.

진화 방향은 세 갈래로 정리됩니다.

논문 단계에서 이미 ReAct+CoT+Self-Consistency 하이브리드가 단일 기법보다 가장 높은 점수를 냈고, 이 조합이 후속 연구의 출발선이 됐습니다 ^[1].
ReAct를 토대로 한 Reflexion(자기 반성·재시도), ReWOO(관찰 분리형 추론), LangGraph 기반 멀티에이전트 워크플로 등이 루프 구조를 확장하면서, 한 에이전트 안에서 여러 도구를 묶어 쓰는 형태로 발전하고 있습니다 ^[3].
OpenAI Function Calling, Anthropic Tool Use, MCP(Model Context Protocol) 기반 도구 연동이 보편화되면서 ReAct는 명시적인 텍스트 프롬프트 형식에서 모델·API 차원의 표준 동작 루프로 흡수됐고, Claude Code·Cursor Composer 같은 에이전트형 코딩 도구 대부분이 결국 ReAct식 "생각→도구 호출→관찰→재생각" 사이클 위에서 동작합니다 ^[5][3]. 현재 시점에서는 LangChain·LangGraph·LlamaIndex가 모두 ReAct를 기본 에이전트 패턴으로 채택해 사실상 산업 표준이라고 볼 수 있습니다 ^[3][4].

이 용어와의 관계

유사 개념
Prompt Version같은 프롬프트·AI 활용 갈래에서 자주 함께 등장하는 개념입니다.
유사 개념
Prompt Library같은 프롬프트·AI 활용 갈래에서 자주 함께 등장하는 개념입니다.
유사 개념
Persona Prompting같은 프롬프트·AI 활용 갈래에서 자주 함께 등장하는 개념입니다.