실전 프롬프트 엔지니어링: 좋은 프롬프트 쓰는 법
같은 모델이라도 프롬프트에 따라 결과는 극적으로 달라집니다. 이 튜토리얼은 가장 실용적인 프롬프트 기법을 모아, 일관되게 좋은 결과를 얻도록 도와줍니다.
작성자AI Resource Hub
명확하고 구체적으로 지시하기
모호하게 물으면 모호한 답이 돌아옵니다. 원하는 것을 정확히 말하세요. 작업, 목표, 출력 형식, 길이, 어조가 구체적일수록 좋습니다.
예를 들어 "카피 좀 써 줘" 대신 "개발자 대상 AI 도구를 위한 10단어 이내 슬로건 3개를 간결하고 전문적인 스타일로 써 줘"라고 해 보세요.
맥락과 예시 제공하기
답이 내 상황에 맞으려면 필요한 배경을 모델에 줘야 합니다. 관련 자료와 제약 조건을 프롬프트에 직접 넣으세요.
출력이 특정 형식을 따라야 한다면, 장황한 설명보다 예시 한두 개(퓨샷)를 보여 주는 편이 대개 더 효과적입니다.
단계별 추론으로 이끌기
추론과 계산 작업에서는 "단계별로 생각해 줘"(Chain-of-Thought) 같은 한마디가 정확도를 눈에 띄게 끌어올립니다.
복잡한 작업은 여러 단계로 쪼개 하나씩 따로 묻고, 마지막에 모델이 결과를 종합하게 하는 방법도 있습니다.
역할과 출력 형식 정하기
"당신은 시니어 프런트엔드 엔지니어입니다"처럼 역할을 부여하면 답변이 한층 전문적이고 초점이 잡힙니다.
구조화된 결과가 필요하면 JSON, 마크다운 표, 번호 목록을 명시적으로 요구하세요. 후속 처리가 훨씬 쉬워집니다.
흔한 함정
상충하는 요구를 한 번에 몰아넣지 말고, 암묵적 전제를 모델이 안다고 가정하지 말고, 사실 관련 내용에는 반드시 검증 단계를 남겨 두세요.
프롬프트를 반복 개선하는 "프로그램"처럼 다루세요. 첫 버전을 돌려 보고 출력을 바탕으로 다듬으며 이상적인 결과에 조금씩 다가가면 됩니다.
고급 패턴
기본 기법 외에도 결과를 극적으로 개선할 수 있는 고급 패턴이 여러 있습니다. Chain-of-Thought(CoT)는 모델이 답변 전에 소리 내어 추론하게 하여 수학 및 논리 작업의 정확도를 높입니다. ReAct는 추론과 행동을 결합합니다. 모델이 생각하고, 도구를 호출하고, 결과를 관찰하고, 반복합니다. Tree-of-Thought는 여러 추론 경로를 병렬로 탐색해 최선을 선택합니다. Self-Consistency는 여러 답변을 생성해 다수결로 선택하여 우발적 오류를 줄입니다.
반복 개선 워크플로
프롬프팅을 일회성 추측이 아닌 반복 엔지니어링 루프로 다루세요. 1단계: 초안 프롬프트를 작성하고 5-10개의 대표 입력으로 실행합니다. 2단계: 출력을 검토합니다. 어디에서 실패했나요? 맥락이 부족한가요? 형식이 잘못된가요? 어조가 맞지 않나요? 3단계: 목표로 하는 제약을 추가하고 다시 실행합니다. 4단계: 품질이 허용 가능하면 구조화된 출력(JSON 모드, 함수 호출)로 자동화하고 평가 지표를 추가합니다. 이 구축-측정-학습 사이클이 실제 프로덕션 프롬프트 시스템이 작동하는 방식입니다.