모의 도구 위의 ReAct 반복
마케팅을 벗겨 내면 "AI 에이전트"는 반복문이에요. 모델이 마법처럼 행동하지 않아요. 여러분의 코드가 해요. 패턴은 ReAct예요: 무엇을 할지 추론하고, 도구를 불러 행동하고, 결과를 관찰하고, 과제가 끝날 때까지 반복해요. 모델은 오로지 글만 만들어요. 그 둘레의 반복이 그 글을 진짜 도구 호출로 바꾸고 결과를 다시 먹여요.
추론 단계가 LLM이고, 결정적이지 않으니 단위 테스트할 수 없어요. 하지만 그 둘레의 모든 것은 결정적이고, 운영에서 깨지는 게 바로 그것들이에요: 발송, 관찰 처리, 멈춤 조건. 그래서 모델의 일을 각본 계획으로 바꿔 반복을 테스트해요 - (tool, args) 행동의 고정된 리스트. 이게 에이전트를 실제로 단위 테스트하는 방법이에요: 계획을 고정하고, 추적을 단언해요.
run_agent(plan, tools, max_steps)를 만들 거예요. plan은 ("lookup", {"country": "France"}) 같은 단계의 리스트예요. tools는 도구 이름을 args dict를 받아 관찰을 돌려주는 Python 함수에 대응시키는 dict예요. 단계마다 맞는 도구를 부르고 (tool, args, observation) 세 쌍을 추적에 덧붙여요 - 에이전트가 한 일의 감사 기록이에요.
def run_agent(plan, tools, max_steps=10):
trace = []
for action, args in plan:
if len(trace) >= max_steps:
break
if action == "finish":
break
observation = tools[action](args)
trace.append((action, args, observation))
return trace규칙:
- 단계마다
tools[action](args)를 부르고(action, args, observation)을 순서대로 기록해요. "finish"행동은 반복을 바로 끝내고 추적에 기록되지 않아요(도구 호출이 아니라 신호예요).- 계획에 단계가 더 있어도 추적이 이미
max_steps개 항목을 담으면 멈춰요 - 그 방지 장치가 폭주하는 에이전트를 멈춰요. - 단계에 args가 없으면 빈 dict로 다뤄요.
진짜 앱에서는 LLM이 다음 행동을 각각 JSON으로 내보내고 같은 반복이 그것을 돌릴 테니, 반복을 건드리지 않고 각본 계획을 실시간 모델 출력으로 바꿀 수 있어요. 기기 내 튜터가 바로 이 반복을 실시간으로 몰 수 있지만, 채점은 오로지 결정적인 추적만 봐요. Run을 눌러 두 단계 계획이 실행되는 걸 보세요: 수도를 찾아보고, 산수를 좀 하고, 끝내요.
방금 만든 것에는 업계에서 부르는 이름이 있어요. 이 관찰-생각-행동 반복은 모든 에이전트 프레임워크의 핵심이에요: LangGraph와 비슷한 라이브러리는 이 반복을 노드 그래프로 주고, 호스팅 에이전트 API는 제공자 쪽에서 돌리고, MCP 클라이언트는 사실 프로토콜로 발견한 도구에 연결한 이 반복일 뿐이에요. 스트리밍, 재시도, 영속성, 추적을 더하지만, 엔진은 정확히 여러분이 쓴 반복이에요. 한 번 처음부터 만들어 보면 그 프레임워크들이 마법이 아니라 읽을 수 있는 것이 돼요: 각각이 정확히 어느 부분을 자동화하는지 알게 돼요.
모의 도구 등록부에 대해 (tool, args) 단계의 각본 계획을 실행하는 run_agent(plan, tools, max_steps=10)를 쓰세요. 단계마다 tools[action](args)를 부르고 (action, args, observation)을 추적 리스트에 덧붙이세요. "finish" 행동은 반복을 멈추고 기록되지 않아요. 추적이 max_steps개 항목을 담으면 멈추세요. 추적을 return 하세요.
이 연습은 곧 열려요
앞의 레슨을 마치면 이 레슨이 열려요. 강좌 전체가 무료이고 계정도 필요 없으며, 이 레슨은 지금 바로 읽을 수 있어요.
이 브라우저가 learn.floati.life의 쿠키를 막고 있어서, 여기서 마친 레슨들이 순서대로 열리지 않아요. 이 사이트의 쿠키를 허용하고 새로고침하세요.