“답은 맞는데 어떻게 푼 건지 모르겠어요” “여러 가능성을 두루 생각한다더니 겉핥기 답만 주네요” “필요한 걸 찾으러 갔다가 돌아오면 더 정확할 텐데” — AI 도구를 쓰다 보면 한 가지 아쉬움이 반복됩니다. 모델이 답은 내놓지만 ‘생각의 과정’이 빠져 있어서, 복잡한 문제에서는 한 번에 틀리거나 중간 단계를 성큼성큼 건너뜁니다. 이 간극을 메우는 기술이 바로 ‘AI가 어떻게 생각하게 할까’를 다루는 추론 기법입니다.
요약 (TL;DR): 사슬 사고 · 나무 사고 · ReAct 핵심 요약 세 기법은 더하는 축이 다릅니다. 사슬 사고는 결론으로 가는 중간 추론 단계를 밟게 해 답의 정확도를 높이는 기법으로 “깊이”를 더하고(“풀이를 생략하고 답만 부르지 말고 한 줄씩 풀어서 보여 줘”), 나무 사고는 한 줄이 아니라 여러 갈래의 생각을 펼치고 각 가지를 평가해 유망한 쪽으로 나아가며 “너비”를 더합니다. ReAct는 추론(생각)과 행동(도구 사용)을 번갈아 하며 “연결”을 더해, 계획을 세우고 자료를 찾아보고 다시 계획을 고치며 한 자리에서 일을 끝냅니다.
이 글은 5분 안에 읽고 AI가 한 단계씩 생각하게 만드는 세 기술 — 사슬 사고 · 나무 사고 · ReAct를 정리합니다. 각 기술이 “생각을 어떻게 펼치는가”를 ChatGPT · LMArena · Claude 같은 도구 화면과 일상 사례로 짚고, 흔히 빠지는 오해까지 잡습니다. 도구 사용법이 아니라 개념을 먼저 잡는 글입니다.
왜 “생각의 단계”가 용어 사전에 들어왔나? 우리 블로그의 17편 양자화 · 증류 · 경량화는 ‘AI를 가볍게 만드는 기술’을 다뤘습니다. 가벼워진 모델이 더 빨리 답을 내지만, 빠르다고 무조건 정확한 건 아닙니다 — ‘어떻게 생각하게 할까’가 답의 품질을 가릅니다. 이 글이 그 반쪽을 다룹니다 — **한 줄씩 잇는다(사슬 사고), 여러 갈래를 펼친다(나무 사고), 생각과 행동을 번갈는다(ReAct)**를 차례로 보는 ‘AI 용어 사전’ 시리즈의 열여덟 번째 글입니다.
사슬 사고·나무 사고·ReAct는 각각 무엇을 더할까?
이 섹션에서 배우는 것: 세 기술을 한 줄씩 먼저 훑고, 각각이 “AI가 생각하는 법”에서 무엇을 더하는지 보기.
| 기술 | 한 줄 정의 | 무엇을 더하는가 | 일상 비유 |
|---|---|---|---|
| 사슬 사고(Chain-of-Thought) | 모델이 결론으로 가는 중간 추론 단계를 밟게 해 답의 정확도를 높이는 기법 | ’깊이’ — 한 줄의 생각을 단계별로 길게 이어 감 | ”풀이를 생략하고 답만 부르지 말고, 한 줄씩 풀어서 보여 줘” |
| 나무 사고(Tree-of-Thought) | 한 줄이 아니라 여러 갈래의 생각을 펼치고, 각 가지를 평가해 유망한 쪽으로 나아가는 기법 | ’너비’ — 여러 가능성을 그려 보고 더 나은 쪽을 고름 | ”한 길만 파지 말고, 몇 갈래로 길을 그어 보고 가장 유망한 길로 들어가” |
| ReAct(Reasoning+Acting) | 추론(생각)과 행동(도구 사용)을 번갈아 하며 한 자리에서 일을 끝내는 기법 | ’연결’ — 머리로 계획하고 손으로 실행을 이어 감 | ”계획을 세우고, 메모를 찾아 보고, 다시 계획을 고쳐 끝까지 가” |
⚠️ 세 기술은 언제나 더 나은 답을 보장하지 않습니다. 추론 단계가 길어지면 시간과 비용이 늘고, 단계 자체가 틀리면 정답처럼 보이는 그릇된 결론에 이르기도 합니다. 2026년 8월 기준으로도 “언제, 어느 만큼 생각하게 할까”는 모델과 용도마다 다르게 정해지는 영역입니다. 출처: Chain-of-Thought 논문(arXiv 2201.11903), Tree of Thoughts 논문(arXiv 2305.10601)
용어 1: 사슬 사고 — “한 줄씩 잇는 생각”
이 섹션에서 배우는 것: 사슬 사고가 ‘결론에 이르는 중간 추론 단계를 모델이 밟게 해 정확도를 높이는 기법’이라는 것, 그래서 ‘생각의 깊이’를 더하는 기술이라는 점.
사슬 사고(chain-of-thought, CoT)는 AI 문맥에서 모델이 최종 결론으로 가는 중간 추론 단계를 차례로 밟게 해 답의 정확도를 높이는 기법을 가리킵니다. 한 줄로 말하면, **“결론만 달성하게 두지 않고, 결론에 이르는 사고의 줄을 함께 풀게 하는 일”**입니다. 출발은 놀랍도록 단순합니다 — 프롬프트에 “단계별로 생각해 보자(Let’s think step by step)” 같은 한 문장을 넣는 것만으로, 수학·논리 문제에서 답의 질이 바뀐다는 관찰이 사슬 사고 연구의 시작점이었습니다. 이를 정리한 대표 연구는 Wei 외의 “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models”(2022)로, arXiv 2201.11903에서 볼 수 있습니다. 프롬프트 기법으로서의 사슬 사고는 2편 프롬프트 · RAG · 파인튜닝에서 다룬 ‘프롬프트 엔지니어링’의 한 갈래로 볼 수 있습니다 — 모델을 고치지 않고, ‘어떻게 물을까’로 생각의 단계를 유도합니다.
chatgpt.com — ‘풀이까지 보여 줘’라는 한 문장이 답을 단답에서 단계적 풀이로 바꾸는 사슬 사고의 일상 경험이다
사슬 사고가 왜 결정적인지는 “왜 이번엔 풀이까지 보여주지?”라는 질문에서 보입니다. 같은 도구에 같은 문제를 물어도, ‘답만 내놔’라고 하면 짧은 단답이, ‘단계별로 풀어 줘’라고 하면 긴 풀이가 돌아옵니다. 사슬 사고는 ‘결론 한 점’이 아니라 ‘결론에 이르는 줄’을 만드는 기술입니다. 이 점은 10편 추론 · 지연 · 처리량에서 다룬 ‘추론(inference)’ 개념과 이어집니다 — 모델이 답을 낼 때 거치는 과정 자체를 늘려, 정확도와 ‘걸리는 시간’ 사이의 교환을 벌입니다. 또한 15편 투명성 · 설명가능성 · 해석가능성과도 한 축으로 만납니다 — 생각의 단계를 밖으로 드러내면, ‘왜 그 답이 나왔는지’를 따질 실마리가 생깁니다. 추론 모델이라 불리는 최신 모델들은 이 사슬을 프롬프트가 아니라 모델 안으로 옮겨, 스스로 긴 사고를 밟도록 설계됩니다. OpenAI의 추론 모델이 대표적 사례이며, Anthropic도 확장 사고 기능으로 이 방향을 따릅니다.
5분 안에 직접 확인하기
- 채팅 도구에 수학·논리 문제를 두 방식으로 물어 보세요. 하나는 “답만 알려 줘”, 다른 하나는 “단계별로 생각해 보고 풀이를 보여 줘”. 두 답을 겹쳐 보면, 같은 문제에서 단계를 밟은 쪽이 어디서 출발해 어디를 거쳐 결론에 닿는지가 보입니다 — 이것이 사슬 사고의 글자 그대로입니다.
- arxiv.org/abs/2201.11903의 초록(abstract)을 읽어 보세요. “모델이 중간 추론 단계를 생성하게 한다”는 한두 문장이 사슬 사고의 전부이며, 복잡한 수식 없이도 핵심을 잡을 수 있습니다.
- “단계가 길수록 항상 더 정확할까?”라는 질문에 스스로 답해 보세요. 정답은 “대체로 그렇지만, 단계가 틀리면 틀린 결론도 정답처럼 보일 수 있다”입니다 — 사슬이 길수록 ‘그럴듯한 오류’의 위험도 함께 자랍니다.
잘 안 되는 경우
- 법적·규제: 사고 과정을 밖으로 드러내는 것이 설명 의무나 비밀 보호와 엇물리는 경우: 고위험 결정(대출 심사·의료 등)에서는 ‘왜 그렇게 결론지었는지’의 설명이 법적으로 요구되기도 하지만, 동시에 사고 과정 안에 민감 정보가 섞여 나올 수 있어 드러내는 것이 늘 유리하지만은 않습니다. EU AI Act는 고위험 AI 시스템의 투명성과 문서화를 요구합니다.
- 기술적 한계: 사슬 자체가 틀리면 그릇된 결론이 정답처럼 보이는 경우: 단계를 밟는다고 모든 단계가 옳은 것은 아닙니다. 풀이가 그럴듯하게 이어지더라도 중간 한 단계가 틀리면 최종 답도 틀리며, 긴 풀이는 짧은 단답보다 오히려 검토하기 어렵습니다. ‘그럴듯한 오류(confident error)‘가 사슬 사고의 기술적 함정입니다.
용어 2: 나무 사고 — “여러 갈래를 펼쳐 비교하는 생각”
이 섹션에서 배우는 것: 나무 사고가 ‘한 줄이 아니라 여러 갈래의 생각을 펼치고, 각 가지를 평가해 유망한 쪽으로 나아가는 기법’이라는 것, 그래서 ‘생각의 너비’를 더하는 기술이라는 점.
나무 사고(tree-of-thought, ToT)는 AI 문맥에서 한 줄의 생각(사슬)이 아니라 여러 갈래의 생각(나무)을 펼치고, 각 가지를 평가해 더 유망한 쪽으로 나아가는 기법을 가리킵니다. 한 줄로 말하면, **“한 길만 파고들지 말고, 여러 길을 그려 보고 가장 유망한 길로 들어가는 일”**입니다. 사슬 사고가 ‘깊이’를 더한다면, 나무 사고는 ‘너비’를 더합니다 — 한 갈래가 막혀도 다른 가지에서 답을 찾을 수 있도록, 가능성을 미리 여러 갈래로 벌려 놓습니다. 이를 정리한 대표 연구는 Yao 외의 “Tree of Thoughts: Deliberate Problem Solving with Large Language Models”(2023)로, arXiv 2305.10601에서 볼 수 있습니다. 핵심은 ‘평가’입니다 — 가지를 무한히 늘리는 게 아니라, 각 가지가 ‘얼마나 유망한가’를 점쳐 더 나은 쪽으로 자원을 쏟는 탐색입니다.
lmarena.ai — 여러 모델의 답을 나란히 보며 비교하는 경험이 ‘여러 갈래를 펼쳐 더 나은 쪽을 고르는’ 나무 사고의 일상 비유가 된다
나무 사고가 왜 결정적인지는 “왜 여러 보기를 두루 보는 게 더 나을까?”라는 질문에서 보입니다. 어려운 문제는 한 번에 정답 길을 알기 어렵지만, 몇 갈래로 가능성을 그어 보면 막힌 길과 뚫린 길이 구분됩니다. 나무 사고는 ‘한 줄의 정답’이 아니라 ‘여러 길의 탐색’을 만드는 기술입니다. 사용자가 가장 쉽게 체감하는 비유가 모델 비교입니다 — 여러 모델의 답을 나란히 두고 어느 쪽이 더 쓸 만한지 고르는 경험(LMArena)은, ‘여러 갈래를 펼쳐 더 나은 쪽을 고르는’ 나무 사고의 뼈대를 일상에서 흉내 냅니다. 모델이 스스로 여러 가지를 두루 살피고 그중 하나를 택하는 과정도 같은 결입니다. 이 점은 8편 정확도 · 정밀도 · 재현율과도 이어집니다 — 여러 가능성을 평가하는 만큼, ‘어떤 가지를 정답으로 받아들일까’의 기준이 점수 해석과 맞닿습니다. 또한 11편 자율성 · 도구 사용 · 파이프라인에서 다룬 ‘자율성’과 닿아 있습니다 — 모델이 스스로 가능성을 벌리고 접는다면, 그것은 이미 한 단계 높은 자율성입니다.
5분 안에 직접 확인하기
- 하나의 문제에 대해 “세 가지 다른 접근을 먼저 나열해 줘”라고 물어 보세요. 모델이 가능성을 여러 갈래로 벌려 놓는 순간이 나무 사고의 시작입니다 — 그 뒤 “각 접근의 장단점을 비교하고 가장 나은 쪽을 골라 줘”로 이어가면, ‘평가하고 고르는’ 탐색의 한 토막을 직접 밟게 됩니다.
- arxiv.org/abs/2305.10601의 초록을 읽어 보세요. “여러 생각의 가지를 생성하고, 스스로 평가하며 탐색한다”는 대목이 나무 사고의 전부이며, 사슬 사고와의 차이(한 줄 vs 여러 갈래)가 한눈에 잡힙니다.
- “가지를 많이 칠수록 항상 더 나은 답이 나올까?”라는 질문에 스스로 답해 보세요. 정답은 “탐색이 넓어지지만 비용도 길어지고, 평가가 틀리면 엉뚱한 가지로 깊이 들어갈 수 있다”입니다 — 나무가 커질수록 ‘어디까지 펼칠까’의 한계를 정하는 일이 핵심입니다.
잘 안 되는 경우
- 법적·규제: 여러 갈래를 탐색하는 과정에서 한 가지라도 유해하거나 민감한 경로가 만들어지는 경우: 가능성을 넓게 벌리는 만큼, 그중 하나라도 규정을 넘는 내용을 만들면 안전 문제로 이어집니다. 14편 가드레일 · 정렬 · 안전성에서 다룬 ‘가드레일’이 탐색의 범위를 거는 장치와 짝을 이룹니다.
- 기술적 한계: 가지가 늘어날수록 계산 비용이 불어나고, 평가가 틀리면 나무가 엉뚱한 방향으로 자라는 경우: 나무를 넓히면 너비가 늘지만, 가지마다 평가를 해야 하므로 비용이 기하급수적으로 불 수 있습니다. 더 큰 문제는 ‘어느 가지가 유망한가’를 점치는 평가 자체가 틀릴 때입니다 — 잘못된 평가는 엉뚱한 가지로 자원을 쏟게 만듭니다.
용어 3: ReAct — “생각과 행동을 번갈는 기술”
이 섹션에서 배우는 것: ReAct가 ‘추론(생각)과 행동(도구 사용)을 번갈아 하며 한 자리에서 일을 끝내는 기법’이라는 것, 그래서 ‘생각과 실행을 잇는 연결’을 더하는 기술이라는 점.
ReAct(리액트, Reasoning+Acting)는 AI 문맥에서 모델이 추론(reasoning, 생각)과 행동(acting, 도구 사용·실행)을 번갈아 하며 한 자리에서 일을 끝내는 기법을 가리킵니다. 한 줄로 말하면, **“머리로 계획을 세우고 손으로 실행을 옮기기를 반복해, 한 자리에서 끝까지 가게 만드는 일”**입니다. 생각만 하면 필요한 정보가 부족하고, 행동만 하면 방향을 잃습니다 — ReAct는 둘을 이어 ‘생각하다가 필요하면 도구를 쓰고(행동), 돌아온 결과를 보고 다시 생각(추론)하는’ 고리를 만듭니다. 이를 정리한 대표 연구는 Yao 외의 “ReAct: Synergizing Reasoning and Acting in Language Models”(2022)로, arXiv 2210.03629에서 볼 수 있습니다. 11편 자율성 · 도구 사용 · 파이프라인에서 다룬 ‘도구 사용’과 3편 에이전트 · 멀티모달 · API에서 다룬 ‘에이전트’가 사실상 이 ReAct의 토대 위에서 돕니다 — 에이전트가 ‘생각하고, 도구를 부르고, 결과를 보고, 다시 생각하는’ 것은 ReAct 그 자체입니다.
claude.ai — 확장 사고(추론)와 도구 사용(행동)을 이어 가는 도구는 ReAct의 생각-행동 고리를 일상에서 보여 준다
⚠️ 도구 연동·확장 사고 같은 기능은 모델과 시점마다 제공 범위가 다릅니다. 2026년 8월 기준으로 어떤 도구를 얼마나 자율적으로 쓸 수 있는지는 서비스 정책에 따라 변동이 크며, 본문은 기법의 원리를 다루지 특정 기능의 가용성을 단정하지 않습니다. 출처: Anthropic, ReAct 논문(arXiv 2210.03629)
ReAct가 왜 결정적인지는 “생각만 하면 뭐가 부족하고, 행동만 하면 뭐가 모자란가?”라는 질문에서 보입니다. 모델이 머릿속으로만 풀면 최신 정보나 정확한 계산이 빠지고, 도구만 무심히 부르면 왜 부르는지의 방향을 잃습니다. ReAct는 ‘생각’과 ‘행동’을 이어 복잡한 일을 끝내는 기술입니다. 일상 비유로는 ‘계획을 세우고, 메모를 찾아 보고, 다시 계획을 고쳐 끝까지 가는’ 과정이 가깝습니다. 이 점은 2편 프롬프트 · RAG · 파인튜닝에서 다룬 ‘RAG’와 자주 겹쳐 보이지만 결이 다릅니다 — RAG가 ‘필요한 자료를 찾아 답에 반영’하는 한 번의 보강에 가깝다면, ReAct는 ‘생각하고, 행동하고, 관찰하고, 다시 생각하는’ 여러 번의 고리를 이어갑니다. ReAct가 더 넓은 틀이며, 그 안에 자료 검색이 들어갈 수 있습니다. Prompt Engineering Guide의 ReAct 설명도 이 ‘추론-행동 번갈기’를 핵심으로 짚습니다.
5분 안에 직접 확인하기
- 한 가지 일을 “먼저 어떤 순서로 할지 계획을 세워 줘”라고 물어 보세요. 계획(추론)이 나오면, 그다음 “그 계획의 첫 단계에서 필요한 정보를 찾아 줘”로 이어가 보세요 — 계획하고 실행하는 고리 한 토막이 ReAct의 글자 그대로입니다.
- arxiv.org/abs/2210.03629의 초록을 읽어 보세요. “추론과 행동을 번갈아 시너지를 낸다”는 대목이 ReAct의 전부이며, ‘생각-행동-관찰-생각’의 반복이라는 뼈대가 한눈에 보입니다.
- “ReAct는 RAG와 같은 건가?”라는 질문에 스스로 답해 보세요. 정답은 “비슷하지만 다르다”입니다 — RAG는 자료를 한 번 보강하는 쪽에 가깝고, ReAct는 생각과 행동을 여러 번 이어가는 더 넓은 틀입니다.
잘 안 되는 경우
- 법적·보안: 행동(도구 호출)이 외부 시스템에 닿으면 권한과 데이터 유출 위험이 따르는 경우: ReAct에서 ‘행동’은 곧 외부로의 실행입니다 — 파일을 읽고, 검색하고, 다른 시스템에 명령을 보내는 일이 섞입니다. 도구에 내려주는 권한의 범위를 정하지 않으면, 모델이 허락받지 않은 자료에 닿거나 실행을 일으킬 수 있어 권한 설계가 보안의 핵심입니다.
- 기술적 한계: 행동이 실패하거나 잘못된 결과를 가져오면 추론도 엇나가는 경우: 도구가 에러를 내거나 거짓 결과를 돌려주면, 그것을 믿고 이어가는 추론도 틀립니다. ‘어디까지 스스로 시도하게 둘까’의 자율성 한계를 정하는 일이 실무 난제이며, 잘못된 관찰이 잘못된 결론을 키우는 고리를 끊는 장치가 필요합니다.
세 기술이 이어지는 한 흐름
이 섹션에서 배우는 것: 세 기술이 따로 놀지 않고 ‘한 줄로 깊이 간다(사슬) → 여러 갈래로 너비를 펼친다(나무) → 생각과 행동을 이어 끝까지 간다(ReAct)‘의 점점 넓어지는 단계로 이어진다는 것.
이 세 기술은 “AI가 어떻게 생각하게 할까”라는 하나의 질문을 깊이에서 너비로, 너비에서 실행으로 넓혀가는 세 단계로 풉니다. 가장 좁은 층이 사슬 사고로 ‘한 줄의 생각을 단계별로 길게 이어 간다’, 그 바깥이 나무 사고로 ‘여러 갈래의 가능성을 그려 더 유망한 쪽으로 나아간다’, 가장 바깥이 ReAct로 ‘생각과 행동을 번갈아 한 자리에서 일을 끝낸다’를 다룁니다. “깊이, 너비, 연결”의 한 줄로 묶으면, 왜 AI를 만드는 사람이 “단계를 밟게 하고(사슬), 여러 길을 살피고(나무), 도구를 쓰며 끝까지 가게 한다(ReAct)“를 연달아 말하는지가 자리를 잡습니다.
| 단계 | 이번 글의 기술 | 묻는 질문 | 더하는 것 |
|---|---|---|---|
| 깊이 | 사슬 사고 | ”한 줄로 어떻게 결론에 가까이 갈까?” | 생각의 단계(길이) |
| 너비 | 나무 사고 | ”여러 길 중 어느 쪽이 유망한가?” | 가능성의 탐색(폭) |
| 연결 | ReAct | ”생각과 행동을 어떻게 이어 끝낼까?” | 실행의 고리(이음) |
이 표를 10편 추론 · 지연 · 처리량과 겹쳐 보면 각도가 이어집니다. 10편이 ‘모델이 답을 낼 때 걸리는 시간’을 다뤘다면, 이번 편은 ‘그 시간을 생각의 단계로 어떻게 쓸까’의 기법을 다룹니다 — 단계가 길어지고 가지가 넓어질수록 정확도는 오르지만 시간과 비용도 함께 오릅니다. 또한 15편 투명성 · 설명가능성 · 해석가능성과도 한 축으로 만납니다 — 사슬 사고가 생각의 단계를 밖으로 드러내면, ‘왜 그 답이 나왔는지’를 따질 실마리가 생겨 해석가능성과 짝을 이룹니다.
자주 묻는 질문 3가지
Q. 사슬 사고는 그냥 “단계별로 생각해 줘”라고 말하는 건가요?
출발은 그렇지만, 프롬프트 기법을 넘어 모델 자체에 사고 단계를 넣은 ‘추론 모델’까지 아우르는 더 넓은 개념입니다. “단계별로 생각해 보자”는 사슬 사고를 유도하는 가장 널리 쓰이는 문장이지만, 사슬 사고의 전부는 아닙니다 — 모델이 스스로 긴 사고를 밟도록 설계된 경우까지 포함합니다. 출처: Chain-of-Thought 논문(arXiv 2201.11903), OpenAI
Q. 나무 사고가 사슬 사고보다 항상 더 나은가요?
아닙니다. 간단한 문제에서는 사슬 사고로 충분하고, 나무 사고는 여러 가능성을 따져야 하는 어려운 문제에서 힘을 씁니다. 가지가 늘어날수록 비용도 늘어 “언제 너비를 펼치고 언제 한 줄로만 갈까”를 정하는 게 핵심입니다. 출처: Tree of Thoughts 논문(arXiv 2305.10601)
Q. ReAct와 RAG는 같은 건가요?
비슷하지만 다릅니다. RAG는 ‘필요한 자료를 찾아 답에 반영’하는 한 번의 보강에 가깝고, ReAct는 ‘생각하고 행동하고 관찰하고 다시 생각하는’ 반복을 이어갑니다. ReAct가 더 넓은 틀이며, 그 안에 자료 검색이 한 행동으로 들어갈 수 있습니다. 출처: ReAct 논문(arXiv 2210.03629), Prompt Engineering Guide
요약
세 기술을 한 문장씩만 기억해도 “AI가 어떻게 생각하게 할까”를 묻는 질문의 방향이 잡힙니다.
- 사슬 사고 → 결론에 이르는 중간 추론 단계를 밟게 해 정확도를 높이는 기법. 생각의 깊이를 더한다.
- 나무 사고 → 여러 갈래의 가능성을 펼치고 유망한 쪽으로 나아가는 기법. 생각의 너비를 더한다.
- ReAct → 추론(생각)과 행동(도구 사용)을 번갈아 하며 일을 끝내는 기법. 생각과 실행의 연결을 더한다.
세 기술을 “한 줄로 깊이 간다(사슬) → 여러 갈래로 너비를 펼친다(나무) → 생각과 행동을 이어 끝까지 간다(ReAct)“의 깊이에서 실행으로 넓어지는 한 흐름으로 묶어두면, 다음번에 모델이 답을 낼 때 “이것이 한 줄의 사슬인가, 여러 갈래의 나무인가, 아니면 도구를 오가는 ReAct의 고리인가”를 나누어 생각하게 됩니다. 이번 주에는 한 가지만 해 보세요 — 같은 문제를 ‘답만 내놔’와 ‘단계별로 풀어 줘’로 각각 물어 보고 두 답을 겹쳐 보는 것입니다. 두 답이 다르다면, 그 차이가 바로 사슬 사고가 만드는 ‘생각의 줄’입니다. 다음 글에서는 “AI가 스스로 보상을 받으며 배우는 기술 — RLHF · 보상 모델 · 피드백”을 이어서 풀 예정입니다.