[Advanced Guide] Building an Action-Taking LLM Agent with the ReAct Pattern Combining Tool Calling and Memory

import json
from typing import List, Dict, Any
# 실제 환경에서는 LangChain의 Tool 클래스를 사용합니다.

def get_exchange_rate(base_currency: str, target_currency: str) -> str:
    """
    주어진 두 통화 간의 실시간 환율을 조회합니다.
    예시: get_exchange_rate("USD", "KRW") 호출 시, 현재 USD 대비 KRW 환율을 반환합니다.
    """
    print(f"--- [SYSTEM LOG] 환율 API 호출 시도: {base_currency} -> {target_currency} ---")
    # 실제로는 외부 API 호출 로직이 들어갑니다.
    if base_currency == "USD" and target_currency == "KRW":
        return json.dumps({"rate": 1350.5, "source": "Mock_API"})
    return json.dumps({"error": "지원하지 않는 통화 조합입니다."})

# 툴 목록 정의 (LLM에게 제공할 도구들의 메타데이터)
available_tools = [
    {
        "name": "get_exchange_rate",
        "description": "두 통화 간의 현재 환율을 조회하는 함수입니다.",
        "parameters": {
            "type": "object",
            "properties": {
                "base_currency": {"type": "string", "description": "기준 통화 (예: USD)"},
                "target_currency": {"type": "string", "description": "목표 통화 (예: KRW)"}
            },
            "required": ["base_currency", "target_currency"]
        }
    }
]

# --- 가상의 에이전트 프레임워크 ---

def run_agent_cycle(initial_query: str, tools: dict):
    """
    ReAct 패턴을 사용하여 에이전트의 추론 및 행동 사이클을 실행합니다.
    """
    current_state = initial_query
    max_iterations = 5
    
    print(f"--- [START] 초기 쿼리: {initial_query} ---")

    for i in range(max_iterations):
        print(f"\n===== [Iteration {i+1}] =====")
        
        # 1. Thought (추론): 에이전트가 스스로 생각하는 과정
        thought = f"현재 상태 '{current_state}'를 바탕으로, 어떤 도구를 사용해야 할지 추론합니다."
        print(f"[Thought]: {thought}")
        
        # 2. Action (행동): 가장 적절한 도구와 입력값을 결정
        # (실제로는 LLM이 이 부분을 결정함)
        action_name = "search_weather" # 예시로 결정
        action_input = {"city": "서울", "date": "오늘"}
        print(f"[Action]: {action_name} 실행, 입력: {action_input}")

        try:
            # 3. Tool Execution (도구 실행): 실제 함수 호출
            if action_name in tools:
                tool_function = tools[action_name]
                observation = tool_function(action_input)
                
                # 4. Observation (관찰): 도구 실행 결과
                print(f"[Observation]: {observation}")
                
                # 5. 다음 상태 업데이트: 관찰 결과를 다음 추론의 기반으로 사용
                current_state = f"도구 실행 결과: {observation}. 이제 이 정보를 바탕으로 최종 답변을 구성해야 합니다."
            else:
                current_state = "오류: 정의되지 않은 도구입니다."
                break
                
        except Exception as e:
            # 에러 핸들링: 도구 사용 실패 시, 에러 메시지를 다음 추론에 포함
            error_message = f"도구 실행 중 예외 발생: {str(e)}"
            print(f"[Observation]: {error_message}")
            current_state = error_message
            break
            
    print("\n--- [END] 최종 추론 완료 ---")
    return current_state

# --- 도구 정의 (Tool Definition) ---
def search_weather(params: dict) -> str:
    """도시와 날짜를 받아 현재 날씨 정보를 검색합니다."""
    city = params.get("city")
    date = params.get("date")
    if not city:
        raise ValueError("도시 이름은 필수입니다.")
    return f"'{city}'의 '{date}' 날씨는 맑고 기온은 25도입니다. (API 호출 성공)"

def get_user_profile(user_id: str) -> str:
    """사용자 ID를 받아 프로필 정보를 검색합니다."""
    return f"User ID {user_id}의 프로필은 '프리미엄 회원'입니다."

available_tools = {
    "search_weather": search_weather,
    "get_user_profile": get_user_profile
}

# --- 실행 ---
final_result = run_agent_cycle("이번 주말 서울 날씨와 내 프로필을 알려줘.", available_tools)
print(f"\n[최종 결과 요약]: {final_result}")