현대 AI 에이전트의 정의는 ReAct 논문에서 나왔어요 — 중학생도 이해하는 3단어 설명

2022년 10월, 프린스턴대와 구글브레인 연구자들이 한 편의 논문을 냈어요. 제목은 ReAct: Synergizing Reasoning and Acting in Language Models. 지금 쓰는 ChatGPT의 도구 사용, Claude의 도구 호출, 코딩 에이전트들 — 이 모든 것의 시조가 된 논문이에요. 이름도 그대로 ReAct(Reasoning + Acting)예요.

에이전트가 뭐예요?

챗봇은 말만 해요. 질문하면 텍스트로 답하지. 에이전트는 달라요. 말로 계획을 세우고, 실제로 도구를 쓰고, 결과를 확인하고, 다음 행동을 정해요. 검색을 하고, 코드를 실행하고, 파일을 열어보고요.

그럼 에이전트는 어떻게 만들어질까요? ReAct 논문의 답은 놀랍도록 단순해요. 모델에게 생각하고, 행동하고, 결과를 보는 것을 반복하게 하라. 학습도 추가로 필요 없어요. 프롬프트에 예시만 보여주면 돼요.

세 개의 단어만 기억하세요

생각 (Thought) — 속으로 중얼거리기

에이전트가 머릿속으로 하는 계획과 추론이에요. "물이 필요한데 냄비부터 확인해야지" 같은 혼잣말. 논문에서는 이 단계가 답의 근거를 만들고 다음 행동을 이끈다고 해요.

행동 (Action) — 실제로 해보기

도구를 호출하는 단계예요. Search("..."), Calculator("...")처럼 정해진 형식으로 도구에 명령을 내려요. 여기가 일반 챗봇과 에이전트의 갈림길이에요.

관찰 (Observation) — 바깥에서 돌아온 결과

행동의 결과로 돌아오는 진짜 정보예요. 검색 결과, 코드 실행 값. 이 관찰이 다시 다음 생각의 재료가 되면서 루프가 돌아가요.

[인터랙션 1] 라면 에이전트 시뮬레이터

"냉장고에 라면 없어? 끓여줘" — 이 질문을 에이전트가 ReAct 루프로 처리하는 과정을 직접 한 단계씩 진행해 보세요.

[인터랙션 2] 일반 챗봇 vs ReAct 에이전트

같은 질문, 완전히 다른 답변 과정. 탭을 눌러 비교해 보세요.

전체 루프 한눈에 보기

flowchart TD
  Q[사용자 질문] --> T1[생각: 뭘 확인할까?]
  T1 --> A1[행동: 도구 호출]
  A1 --> O1[관찰: 결과가 돌아옴]
  O1 --> T2{충분한가?}
  T2 -->|아니오| T1
  T2 -->|예| F[최종 답변]

[인터랙션 3] 분류 게임 — 이 문장은 뭘까?

국밥집 찾기 시나리오의 문장들이 나와요. 각각 생각·행동·관찰 중 뭔지 맞혀보세요.

[인터랙션 4] 마지막 퀴즈 3문제

그래서 현대 에이전트의 정의는

ReAct 이후 도구 호출(function calling, tool use)이 GPT·Claude 등 주요 모델에 기본 기능으로 들어갔어요. 지금 에이전트들의 뼈대를 뜯어보면 결국 이렇게 요약돼요.

에이전트 = LLM + 도구 + ReAct 루프
(생각 → 행동 → 관찰을 목표가 끝날 때까지 반복)

차이가 있다면 2022년엔 프롬프트 예시로 루프를 가르쳤다면, 이제는 모델이 기본으로 루프를 돌도록 학습됐다는 것. 랭체인 같은 프레임워크 이름은 계속 바뀌지만 안에 든 패턴은 4년째 그대로예요.

출처

ReAct 논문: arXiv:2210.03629 — ReAct: Synergizing Reasoning and Acting in Language Models (Yao et al., 2022, ICLR 2023 발표)
논문 실험: HotpotQA(다단계 질의응답), FEVER(사실 검증), ALFWorld, WebShop 네 환경에서 성능 향상과 환각 감소를 보고했어요.

★ PINION ★