Agent Reasoning Frameworks

CoT, ToT, ReAct는 모두 "에이전트가 어떤 방식으로 생각하고 행동할지 결정하는 패턴"으로 묶인다.^[1] 셋 중 environment와 상호작용하는 것은 ReAct뿐이라는 대비, 즉 CoT와 ToT는 model 내부 reasoning search를 구조화하고 ReAct는 reasoning을 external action과 observation 사이에 배치한다는 구분은 이 페이지의 해석이다. 셋 모두 memory, authorization, safety, evaluation을 자동으로 제공하지는 않는다는 점도 소스가 직접 말하지 않은 이 페이지의 해석이다.

구조 비교

기준	CoT	ToT	ReAct
구조	단계적 추론 과정을 명시적으로 생성^[1:1]	CoT를 트리 구조로 확장해 여러 경로를 평가^[1:2]	Thought-Action-Observation 반복^[1:3]
environment	필수 아님	필수 아님	핵심
적합	도구 호출 없이 모델 내부 추론만으로 처리할 때^[1:4]	복잡한 계획 수립, 창의적 문제 해결^[1:5]	정보 검색, 다단계 작업^[1:6]
비용	error propagation	단순 작업에는 과도한 계산 비용^[1:7], branch explosion	tool latency와 noise

비용 행에서 소스가 직접 말하는 것은 ToT의 "계산 비용이 높아 단순 작업에는 과도함"뿐이며,^[1:8] CoT의 error propagation, ToT의 branch explosion, ReAct의 tool latency와 noise는 이 페이지의 해석이다.

CoT는 "단일 LLM 호출 내에서 추론 품질을 높이는 기법"이고, ReAct는 "여러 번의 행동-관찰 루프 전체를 구조화하는 프레임워크"라는 점에서 서로 다른 층위에 있다.^[1:9]
ReAct paper의 Figure 1은 Standard prompting, CoT, Act-only, ReAct를 별도 방식으로 분리해 제시한다.^[2] 이 구분이 있다는 것은 ReAct가 단순히 CoT를 길게 늘린 것이 아니라는 근거로 읽힌다.
Knowledge task에서는 internal reasoning의 장점과 external acquisition의 장점이 서로 다르며, 둘을 결합하는 방식이 유리해지는 조건이 있었다는 것이 ReAct paper의 실험 결과다.^[2:1]
Benchmark 수치는 특정 model, prompt, environment 조합에 묶인 결과이며 production 환경에서의 보장이 아니다.^[3]

실패 분류

문제	의미	함의
Hallucination	내부 지식을 사실처럼 생성	external verification
Reasoning error	중간 결론 전파	correction point
Search failure	evidence 탐색 실패	query reformulation
Action failure	무효 environment action	validation과 recovery
Stale label	dataset와 current fact 충돌	provenance 분리

이 표의 "함의" 열은 세 framework의 정의로부터 이 페이지가 도출한 대응 방향이며, 소스가 직접 제시한 목록은 아니다.

선택 조건

External action이 필요 없고 선형 단계면 CoT가 단순하다.
여러 전략과 backtracking이 필요하고 evaluator가 있으면 ToT가 맞다.
Observation에 따라 다음 action이 달라지면 ReAct가 맞다.
Branch가 고정된 deterministic task면 predefined workflow가 더 예측 가능하다.

자주 헷갈리는 지점

Reasoning trace가 있다고 agent가 되는 것은 아니다.
ReAct가 safe execution을 보장하지 않는다.
Toolformer는 inference reasoning framework가 아니라 training method다 — Toolformer 참고.
운영에서는 hidden reasoning 전체보다 action record와 observation provenance가 중요할 수 있다는 것은 이 페이지의 해석이다.

테스트 질문

ReAct가 CoT의 단순 확장이 아닌 이유는 무엇인가?
ToT search와 ReAct feedback은 어떻게 다른가?

출처

Agent Architecture.md (추론 프레임워크 절) — "에이전트가 어떤 방식으로 생각하고 행동할지 결정하는 패턴." (L45), "CoT는 단일 LLM 호출 내에서 추론 품질을 높이는 기법. ReAct는 여러 번의 행동-관찰 루프 전체를 구조화하는 프레임워크.", ToT: "CoT를 트리 구조로 확장: 한 번에 여러 추론 경로를 탐색", "복잡한 계획 수립, 창의적 문제 해결에 적합", "계산 비용이 높아 단순 작업에는 과도함", 비교표: "CoT | 선형 단계적 추론 | 수학 풀이, 논리 추론", "ReAct | 추론 + 도구 호출 루프 | 정보 검색, 다단계 작업", "ToT | 다중 경로 탐색 | 복잡한 계획, 창의적 문제" ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎
ReAct_2210.03629.pdf (Figure 1, HotpotQA/FEVER 실험) — 이 PDF는 이번 변환 세션에서 poppler 부재로 재추출하지 못했고, 2026-07-11 conformance 기록 시점에 검증된 기존 claim을 그대로 유지한다. ↩︎ ↩︎
출처 매핑 미확인 — "benchmark 수치는 production 보장이 아니다"라는 일반화된 caveat이 ReAct paper 본문의 어느 문장에 대응하는지 이번 세션에서 재확인하지 못했다. PDF를 poppler로 재추출한 뒤 확인할 것. ↩︎