계획형 vs. 반응형 에이전트

LLM 에이전트를 설계할 때 가장 근본적인 선택 중 하나는 어떻게 작업을 조율할 것인가이다. 연구 노트 Research — LLM Agents.md는 이를 두 진영으로 구분한다: 명시적 계획형(explicit planners)과 반응형 루프(reactive loops). 연구 개요에서 다루는 에이전트의 전반적인 작동 원리를 이해한 뒤, 이 비교 페이지를 함께 읽으면 좋다. [Research — LLM Agents.md]

[Research — LLM Agents.md]

계획형 에이전트는 실행 전에 전체 작업을 명시적으로 분해(decompose)한다. 각 하위 작업이 정의되어 있으므로 흐름이 예측 가능하고 감사(audit)하기 쉽다. 그러나 핵심 약점이 있다: 실행 도중 세계(환경)가 바뀌면 계획이 깨진다. 미리 세운 계획은 전제 조건이 성립할 때만 유효하기 때문이다. [Research — LLM Agents.md]

반응형 에이전트의 대표 사례는 ReAct 패턴이다. 모델이 추론하고, 도구를 호출하고(도구 사용 참고), 결과를 관찰한 뒤 다시 추론하는 루프를 반복한다. 환경 변화에 유연하게 적응하지만, 목표를 잃고 방황하거나 실패한 행동을 반복하는 루프에 빠질 수 있다. [Research — LLM Agents.md]

연구 노트는 이 질문을 미해결 과제로 남겨 두고 있다. 미해결 질문 페이지에서 확인할 수 있듯, 어떤 상황에서 계획형이, 어떤 상황에서 반응형이 더 적합한지는 아직 명확한 답이 없다. [Research — LLM Agents.md]

다만 노트에서 추론할 수 있는 실용적 지침은 다음과 같다:

• 환경이 안정적이고 작업 구조가 명확할 때 → 계획형이 유리 (예측 가능성·디버깅 용이)
• 환경이 동적이거나 중간 결과에 따라 경로가 달라질 때 → 반응형이 유리 (적응성)
• 반응형을 쓸 경우, ReAct 패턴의 루프 고착 문제를 별도로 완화할 장치가 필요하다

두 방식 모두 에이전트 메모리와 도구 사용 문제를 공유한다. 계획형 에이전트는 계획 단계에서 어떤 도구를 어떤 순서로 사용할지 미리 결정하는 반면, 반응형 에이전트는 매 루프마다 도구를 동적으로 선택한다. 도구가 너무 많으면 선택 정확도가 떨어진다는 점은 두 방식 모두에 적용된다. [Research — LLM Agents.md]