Agents Course documentation
사고: AI 에이전트의 내부 추론과 Re-Act 방식
사고: AI 에이전트의 내부 추론과 Re-Act 방식
사고는 에이전트가 작업을 해결하기 위해 내부적으로 추론하고 계획하는 과정을 의미합니다.
이는 에이전트의 대규모 언어 모델(LLM)이 가진 프롬프트에 제시된 정보를 분석하는 능력을 활용하는 것입니다.
마치 에이전트의 머릿속 대화라고 생각하면 됩니다. 주어진 과제를 검토하고 어떻게 접근할지 전략을 세우는 과정이죠.
에이전트의 사고 과정은 현재 상황을 관찰하고 다음에 취해야 할 행동을 결정하는 역할을 합니다.
이를 통해 에이전트는 복잡한 문제를 더 작고 다루기 쉬운 단계로 분해하고, 이전 경험을 되돌아보며, 새로운 정보를 바탕으로 계획을 지속적으로 조정합니다.
다음은 일반적인 사고 유형의 예시입니다:
| 사고 유형 | 예시 |
|---|---|
| 계획 수립 | “이 작업을 세 단계로 나눠야겠다: 1) 데이터 수집, 2) 트렌드 분석, 3) 보고서 작성” |
| 분석 | “오류 메시지를 보니, 문제는 데이터베이스 연결 설정과 관련이 있는 것 같다” |
| 의사 결정 | “사용자의 예산 제약을 고려하면, 중간 가격대 옵션을 추천하는 것이 좋겠다” |
| 문제 해결 | “이 코드를 최적화하려면, 먼저 어디가 병목인지 프로파일링해봐야 한다” |
| 기억 활용 | “사용자가 앞서 파이썬을 선호한다고 했으니, 파이썬 예제를 제공해야겠다” |
| 자기 성찰 | “이전 접근법이 효과적이지 않았으니, 다른 방식을 시도해봐야겠다” |
| 목표 설정 | “이 작업을 완료하려면, 먼저 성공 기준을 명확히 해야 한다” |
| 우선순위 결정 | “새 기능을 추가하기 전에 보안 취약점부터 해결하는 것이 옳다” |
참고: 함수 호출에 최적화된 LLM의 경우, 사고 과정은 선택적으로 사용할 수 있습니다. 함수 호출에 익숙하지 않다면, 행동(Actions) 섹션에서 더 자세한 내용을 확인할 수 있습니다.
Re-Act 방식
핵심 방법론 중 하나는 “추론”(Reasoning)과 “행동”(Acting)을 결합한 ReAct 방식입니다.
ReAct는 LLM이 다음 토큰을 생성하기 전에 “단계별로 생각해보자”라는 문구를 추가하는 간단한 프롬프팅 기법입니다.
모델에게 “단계별로 생각”하도록 지시하면, 바로 최종 해답을 내놓기보다 계획을 세우는 방향으로 토큰 생성이 유도됩니다. 이는 모델이 문제를 하위 과제로 분해하도록 장려하기 때문입니다.
이렇게 하면 모델이 각 단계를 더 상세히 고려할 수 있어, 일반적으로 최종 해답을 바로 생성하려 할 때보다 오류가 적게 발생합니다.
이런 모델들은 특정 사고 영역(<think>와 </think> 특수 토큰 사이에 포함)을 항상 생성하도록 훈련되었습니다. 이는 ReAct처럼 단순한 프롬프팅 기법이 아니라, 우리가 원하는 결과물의 수천 가지 예시를 분석한 후 이런 사고 영역을 생성하는 방법을 학습하는 훈련 방식입니다.
이제 사고 과정에 대해 더 잘 이해했으니, 프로세스의 두 번째 부분인 행동(Act)에 대해 더 자세히 살펴보겠습니다.
< > Update on GitHub