LangChain에서 자주 쓰이는 AgentType 정리 (250819)

복습 : 에이전트 초기화 (initialize_agent)에서,

# 도구 목록
tools = []
tools.append(get_korean_stock_price)   # 메서드 이름

# 에이전트 초기화
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

# 에이전트 실행
result = agent.run("삼성전자의 현재 주가를 조회해줘.")
print(result)

Agent Type

LangChain에서 자주 쓰이는 AgentType 들은 이름이 비슷해서 헷갈리기 쉬운데, 기본적으로 ReAct 패턴을 어떻게 구현하느냐, 대화 기록을 어떻게 다루느냐에 따라 구분됩니다.

차이의 핵심 포인트

1. Zero-shot vs Conversational

• Zero-shot: 매번 독립적으로 도구 선택 → 과거 대화 맥락 반영 ❌

• Conversational: 대화 맥락 반영하여 더 자연스럽게 도구 사용 가능 ✅

2. Chat 기반 여부

• CHAT_ZERO_SHOT_REACT_DESCRIPTION, CONVERSATIONAL_REACT_DESCRIPTION → Chat 모델용

• ZERO_SHOT_REACT_DESCRIPTION → 일반 LLM(OpenAI text-davinci 등)에도 사용 가능

3. Structured 여부

• STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION → 결과를 JSON 같은 포맷으로 안정적으로 파싱 가능

• API 호출이나 MCP 서버 같은 통합 환경에 적합

정리 (비유로 이해하기)

• ZERO_SHOT_REACT_DESCRIPTION: 설명서만 보고 기계 작동시키는 초보 엔지니어

• CHAT_ZERO_SHOT_REACT_DESCRIPTION: 설명서만 보고 기계 작동하는데, 옆에서 계속 대화하며 조언받는 엔지니어

• CONVERSATIONAL_REACT_DESCRIPTION: 지난번에 무슨 문제 있었는지 기억하면서 계속 개선하는 숙련된 엔지니어

• STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION: 작업 보고서를 JSON 포맷으로 딱딱 정리하는 엔지니어

• SELF_ASK_WITH_SEARCH: 혼자 질문을 잘게 쪼개서 검색하고 답을 찾는 연구원

각 AgentType 별로 동일한 질문(예: "서울 날씨 어때?")을 했을 때 프롬프트와 응답 흐름이 어떻게 다른지를 시뮬레이션 결과

1️⃣ ZERO_SHOT_REACT_DESCRIPTION

(Zero-shot + ReAct / 도구 설명만 활용)

User: 서울 날씨 어때?
Agent Thought: 사용자가 날씨를 묻고 있다. 날씨 API를 호출해야 한다.
Action: WeatherAPI
Action Input: "Seoul"
Observation: "Seoul, 28°C, 맑음"
Final Answer: 현재 서울은 맑고 28도입니다.

👉 특징: 대화 맥락은 기억하지 않고, 매번 독립적으로 도구를 고름.

2️⃣ CHAT_ZERO_SHOT_REACT_DESCRIPTION

(Chat 모델 기반 Zero-shot ReAct)

User: 서울 날씨 어때?
Agent Thought: 사용자가 날씨를 물어봄 → Chat 모델 기반 ReAct 패턴으로 도구 선택
Action: WeatherAPI
Action Input: "Seoul"
Observation: "Seoul, 28°C, 맑음"
Final Answer: 서울의 현재 기온은 28도이고, 맑은 날씨입니다 ☀️

👉 특징: Chat 모델이라 답변 톤이 더 자연스럽고 대화체.

3️⃣ CONVERSATIONAL_REACT_DESCRIPTION

(대화 맥락 반영)

User: 어제보다 오늘 서울 날씨가 어때?
Agent Thought: "어제보다" → 과거 대화 맥락 필요
기억: 어제 사용자가 서울 날씨를 물었음.
오늘과 어제 데이터를 비교해야 함.
Action: WeatherAPI
Action Input: "Seoul, today"
Observation: "28°C, 맑음"
Action: WeatherAPI
Action Input: "Seoul, yesterday"
Observation: "26°C, 흐림"
Final Answer: 어제보다 2도 높고, 맑아졌습니다 ☀️

👉 특징: 대화 이력(어제 질문) 을 기억하고 비교까지 수행.

4️⃣ SELF_ASK_WITH_SEARCH

(질문을 세분화 후 검색 기반 도구 사용)

User: 서울 날씨 어때?
Agent Thought:
Step1: "서울의 현재 날씨는 무엇인가?" → Google Search
Step2: 검색 결과를 요약
Action: GoogleSearch
Action Input: "Seoul current weather"
Observation: "Seoul, 28°C, Clear Sky"
Final Answer: 서울의 현재 기온은 28도이며, 맑은 하늘입니다.

👉 특징: 질문을 쪼개서 스스로 보조 질문 후 검색 → 정보 검색에 강함.

5️⃣ STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION

(Chat + Zero-shot ReAct + 구조화된 출력)

User: 서울 날씨 어때?
Agent Thought: 날씨 API 호출 → JSON 포맷으로 응답 구성
Action: WeatherAPI
Action Input: "Seoul"
Observation: "28°C, Clear"
Final Answer (structured JSON):
{
"location": "Seoul",
"temperature": "28",
"condition": "Clear"
}

👉 특징: 결과가 구조화되어 API 연동, MCP 서버, 프론트엔드 연결에 적합.

📝 요약

ZERO_SHOT_REACT_DESCRIPTION

→ 단발성 질문, 도구 설명만 보고 선택.

CHAT_ZERO_SHOT_REACT_DESCRIPTION

→ Chat 모델 기반, 더 자연스러운 답변.

CONVERSATIONAL_REACT_DESCRIPTION

→ 대화 맥락 기억, 비교·연속 질문 대응.

SELF_ASK_WITH_SEARCH

→ 질문 세분화 + 검색, 정보 수집 최적화.

STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION

→ JSON 등 구조화 출력, 시스템 연동에 최적.