프롬프트 엔지니어링 완전정복: 역할·예시·구조화 출력 등 핵심 기법 정리

핵심 메시지

• 결과의 차이를 만드는 것은 LLM 자체가 아니라 지시하는 방식이며, 프롬프트 엔지니어링은 사실상 '자연어로 하는 프로그래밍'이다.
• 역할·청중·톤·형식 네 가지만 명시해도 단순히 명령하는 것보다 훨씬 나은 답을 얻을 수 있다.
• few-shot(입출력 예시), 사고의 사슬(단계별 추론), 구조화 출력(JSON 등), 제약·부정 지시가 결과의 일관성과 정확도를 크게 높인다.
• LLM은 기본적으로 메모리가 없고, 도구가 대화 기록과 컨텍스트를 프롬프트에 주입해 주는 것이므로 '모델이 기억한다'고 가정해선 안 된다.
• 모델이 먼저 질문하게 하는 '인터뷰 방식'은 우리가 빠뜨리기 쉬운 맥락을 끌어내 답의 품질을 끌어올린다.

쉽게 이해하기

영상은 나쁜 프롬프트와 좋은 프롬프트를 나란히 보여주며 시작한다. '우리 제품에 대해 써줘'처럼 모호한 요청은 일반적인 마케팅 문구를 내놓지만, 역할(시니어 B2B 카피라이터)·청중·톤·길이·행동 유도까지 지정하면 바로 쓸 수 있는 결과가 나온다. 같은 모델을 쓰는데도 결과가 갈리는 이유는 지시 방식의 차이이며, 프롬프트가 길다고 무조건 좋은 것도 아니다.

프롬프트 엔지니어링은 파이썬이나 자바 대신 자연어로 지시를 내리는 프로그래밍에 가깝다. 모델에는 내장된 작업 목록이 없으므로 과제·역할·형식·제약을 프롬프트 안에서 직접 정의해야 한다. 또한 오늘날 모델은 단순 텍스트 생성을 넘어 도구를 호출하고 행동을 취하는 '에이전트 시대'로 접어들어, 좋은 프롬프트의 가치가 한층 커졌다.

LLM의 본질은 다음 토큰을 예측하는 텍스트 예측 모델이다. 기본 상태에서는 메모리가 없고, 챗봇 인터페이스 제공자가 이전 대화와 추가 정보를 프롬프트에 주입해 '기억'처럼 보이게 만든다. 즉 모델이 보는 것은 내가 친 프롬프트만이 아니라 그 위에 얹힌 컨텍스트 전체다. 이 점을 이해해야 '모델이 나를 다 안다'는 착각에서 벗어날 수 있다.

핵심 기법으로는 ① 역할·청중·톤·형식 명시, ② 입출력 예시를 주는 few-shot(특히 분류 작업에 유용), ③ 단계별로 추론하게 하는 사고의 사슬, ④ JSON·표 등 정해진 구조로 답하게 하는 구조화 출력, ⑤ '하지 말 것'을 명시하는 제약·부정 지시, ⑥ 대화처럼 다듬는 반복 개선, ⑦ 모델이 먼저 필요한 정보를 묻게 하는 인터뷰 방식이 소개된다.

고급 전략도 다룬다. 정체성과 규칙을 정하는 시스템 프롬프트와 사용자 프롬프트의 구분, 복잡한 작업을 단계로 쪼개 이전 출력을 다음 입력으로 넘기는 프롬프트 체이닝, 새 세션에서 '내가 썼다'고 두고 평가를 맡기는 자기평가, 그리고 출력의 무작위성을 조절하는 temperature(낮으면 일관·결정적, 높으면 창의·다양) 등이다. 영상은 모호함, 한 프롬프트에 과제 과다, 컨텍스트 부족, 형식 무시, 메모리 가정 같은 흔한 실수와 해법으로 마무리한다.

주요 인사이트

• 명령(commanding)은 모델이 길이·스타일·초점을 알아서 정하게 두지만, 유도(steering)는 그것들을 명시해 더 정확한 결과를 이끈다.
• 제약과 부정 지시('환영 인사로 시작하지 말 것' 등)는 종종 무엇을 하라는 지시보다 더 강력하게 모델을 원하는 방향으로 이끈다.
• 구조화 출력으로 JSON 스키마 예시를 함께 주면, 결과를 코드·데이터베이스·API에 바로 연결할 수 있는 일관된 형식을 얻는다.
• 자기평가는 같은 대화 맥락에서 시키면 편향되기 쉬우므로, 새 세션에서 사람이 쓴 것처럼 제시해야 더 객관적인 비평을 얻는다.
• first prompt가 완벽하지 않아도 처음부터 다시 시작하기보다, 더 짧게·더 격식 있게·예시 추가처럼 대화하듯 반복해 개선하는 편이 효율적이다.

자주 묻는 질문

관련 AI 소식