ReAct 프레임워크(Yao et al., 2022)는 현재 에이전트 구축하는 가장 일반적인 접근 방식입니다.
ReAct라는 이름은 “추론(Reason)“과 “행동(Act)“을 결합한 것입니다. 실제로 이 구조를 따르는 에이전트는 주어진 작업을 해결하기 위해 필요한 만큼 여러 단계를 거칩니다. 각 단계는 추론 단계와 행동 단계로 이루어져 있으며, 행동 단계에서는 작업 해결에 가까워지도록 다양한 도구를 호출합니다.
smolagents가 제공하는 모든 에이전트는 ReAct 프레임워크를 추상화한 단일 MultiStepAgent 클래스를 기반으로 합니다.
이 클래스는 기본적으로 아래와 같은 루프로 동작하며, 기존 변수와 지식도 에이전트 로그에 함께 반영됩니다.
초기화: 시스템 프롬프트는 SystemPromptStep에 저장되고, 사용자가 입력한 쿼리는 TaskStep에 기록됩니다.
While 루프 (ReAct 루프):
agent.write_memory_to_messages()를 사용하여 에이전트 로그를 LLM이 읽을 수 있는 채팅 메시지 목록에 작성합니다.Model 객체에 전송하여 응답을 받습니다. 에이전트는 응답을 파싱하여 액션(ToolCallingAgent의 경우 JSON blob, CodeAgent의 경우 코드 스니펫)을 추출합니다.ActionStep).agent.step_callbacks에 정의된 모든 콜백 함수를 실행합니다.계획(planning)이 활성화된 경우에는 주기적으로 계획을 수정하고 이를 PlanningStep에 저장할 수 있습니다. 이 과정에는 현재 작업과 관련된 사실을 메모리에 기록하는 것도 포함됩니다.
CodeAgent의 경우, 이 과정은 아래 그림과 같이 나타납니다.
비디오를 통해 동작 과정을 확인해보세요.
smolagents 라이브러리는 두 가지 버전의 에이전트를 제공합니다.
필요에 따라 두 방식 중 어느 것이든 사용할 수 있습니다. 예를 들어, 웹 브라우징처럼 각 페이지 상호작용 후 대기 시간이 필요한 경우 JSON 기반 도구 호출이 잘 맞을 수 있습니다.
Update on GitHub멀티스텝 에이전트에 대해 더 알고 싶다면 허깅페이스 블로그의 Open-source LLMs as LangChain Agents 포스트를 읽어보세요.