신경망용 프롬프트 작성 방법

대규모 언어 모델은 자연어(영어, 프랑스어, 독일어 등)를 이해합니다. 따라서 챗봇과의 대화는 사람과의 대화와 유사합니다. 프롬프트란 챗봇에 보내는 텍스트 질의, 문구 또는 여러 단락으로 구성된 상세한 지시사항입니다. 응답의 질은 질의가 얼마나 명확하고 이해하기 쉽게 구성되었는지에 달려 있습니다. 본 자료에서는 당사 웹사이트의 GPT, Claude, Gemini 등 챗봇과 최대한 효과적으로 상호작용할 수 있도록 프롬프트 작성의 다양한 접근법을 살펴보겠습니다.

프롬프트 구조

프롬프트는 다음과 같은 요소를 포함할 수 있습니다:

• 목표, 과제
• 컨텍스트, 예시
• 출력 형식 (목록, 표, 특정 길이 텍스트 – 예: 100단어 이내)
• 제약 조건 (사실 확인 정보, 출처 인용 등)

OpenAI의 공동 창립자이자 현 사장인 그렉 브록맨은 자신의 X 계정에 효과적인 프롬프트의 예시를 게시했습니다:

프롬프트의 해부: 목표, 반환 형식, 경고, 컨텍스트

이 프롬프트는 4개의 논리적 블록으로 구성됩니다. 먼저 작성자는 목표를 정의합니다 – 샌프란시스코에서 차로 2시간 이내 거리에 있는 중간 길이의 덜 알려진 하이킹 트레일을 찾는 것입니다.

다음으로 응답 형식을 명시합니다: 상위 3개 결과를 출력하고, 각 코스의 이름, 소요 시간, 시작 및 종료 지점, 특징 등을 표시합니다.

다음 섹션에서는 정보 재확인 요청이 이어집니다. 트레일이 실제로 존재하는지(대규모 언어 모델은 환각 현상이 발생하기 쉬워 존재하지 않는 사실을 생성할 수 있으므로 추가 검증이 중요함), 트레일 이름이 정확한지, 해당 이름으로 AllTrails 앱에서 검색 가능한지 확인해야 합니다.

마지막 블록에서 작성자는 맥락을 추가합니다: 왜 특히 덜 알려진 트레일에 관심이 있는지 설명합니다. 이미 가장 인기 있는 트레일은 모두 하이킹해봤기 때문이며, 그 목록을 제시합니다. 이러한 설명 덕분에 챗봇은 요구 사항을 더 잘 이해하고 관련 정보를 제안할 수 있습니다. “덜 알려진 트레일”이라는 표현 자체는 상당히 모호하지만, 추가 설명을 통해 작업이 명확해집니다.

프롬프트 작성 권장 사항

프롬프트 엔지니어링은 반은 예술, 반은 과학적 학문입니다. 하버드 대학 정보기술(HUIT) 전문가들이 제시한 프롬프트 작성의 기본 원칙을 살펴보겠습니다:

• 구체적으로 작성하세요. 중요한 세부사항은 부정확한 응답 가능성을 줄입니다. 단순히 “이야기를 써주세요”라고 요청하기보다, 어떤 종류의 이야기인지(어린이용인지 성인용인지), 어떤 장르인지 등을 봇에게 알려주세요.
• 역할을 부여하세요. 봇에게 특정 역할을 맡아 그에 맞게 행동하도록 요청하는 것(예: “내 개인 트레이너인 척 해줘”)은 놀라울 정도로 더 나은 결과를 얻는 쉬운 방법입니다.
• 출력 유형을 선택하세요: 이야기, 보고서, 요약, 대화, 코드 등.
• 예시와 참고 자료를 활용하세요. 예를 들어, 한 단락을 복사하여 붙여넣고 봇에게 그 스타일, 어조, 구조를 모방하도록 지시하세요.
• 봇에게 무엇을 해야 하는지뿐만 아니라 하지 말아야 할 것도 알려주세요: “식단 계획을 세우되, 저는 조개류 알레르기가 있으니 절대 포함하지 마세요.”
• 대화를 발전시키고, 오류를 수정하며, 피드백을 제공하세요. 챗봇을 동료나 팀원처럼 대하세요. 기본적인 질문으로 시작한 후, 더 많은 맥락과 구체성을 추가할 수 있습니다.

명확하고 구체적으로, 맥락을 제공하며, 다양한 프롬프트를 실험하고, 관련 키워드를 사용하며, 필요 시 프롬프트를 수정하세요

좋은 프롬프트를 만드는 방법이 확실하지 않으신가요? 챗봇에게 도움을 요청하세요! 원하는 내용의 기본 아이디어로 시작하여 AI에게 이를 확장해 달라고 요청하세요. 예를 들어 “AI에 관한 블로그 글을 작성하는 데 도움을 받으려면 무엇을 물어봐야 할까요?”라고 물어보세요. 프롬프트 끝에 “이 작업을 위해 필요한 다른 사항이 있다면 알려주세요”라고 간단히 추가하는 것만으로도 AI가 더 나은 결과를 생성하는 데 도움이 되는 빈틈을 메울 수 있습니다.

일반적인 프롬프트 유형과 패턴

MIT 슬론 경영대학원 프롬프트를 다음과 같은 유형으로 분류합니다:

테네시 주 밴더빌트 대학교 컴퓨터과학과에서는 다음과 같은 프롬프트 패턴 분류를 제공합니다:

• 입력 의미론. 
• 출력 맞춤화.
• 오류 식별.
• 프롬프트 개선.
• 컨텍스트 제어.

입력 의미론은 대규모 언어 모델이 사용자 입력을 해석하고 처리하여 응답 생성에 활용할 수 있는 구조화된 형태로 변환하는 방식을 의미합니다. 이 접근법은 그래프 설명, 상태 기계 정의, 또는 명령 자동화와 같은 특정 작업에 맞춤화된 “언어” 또는 약어 표기법을 만드는 것을 포함합니다. 이는 표준 입력 방식이 비효율적일 때 사용자가 복잡한 아이디어를 전달하기 쉽게 합니다. 모델이 미리 정의된 규칙을 인식하고 적용하도록 가르침으로써 사용자는 구문을 단순화하고, 반복을 줄이며, 시간을 절약할 수 있습니다. 예를 들어, 사용자는 모델에게 특정 기호나 형식이 특정 의미를 지닌다는 것을 기억하도록 지시할 수 있으며, 이를 통해 간결한 입력이 내부적으로 상세한 지침으로 확장될 수 있습니다.

예시: “이제부터 City1 >> City2 형식으로 도시명을 작성할 때마다, 해당 두 도시 간 이동 경로 생성 요청으로 해석해 주세요. 여기에는 교통 수단 옵션, 예상 소요 시간, 주요 관광지가 포함됩니다.”

출력 맞춤화는 대규모 언어 모델이 생성하는 응답의 형식, 구조, 스타일 및 관점을 정의하고 제어하는 과정입니다. 이 접근법을 통해 사용자는 특정 인물을 채택하거나, 미리 정의된 템플릿을 따르거나, 단계별 순서를 준수하는 등 특정 요구 사항을 충족하도록 모델의 출력을 맞춤 설정할 수 있습니다. 이를 통해 생성된 콘텐츠가 일관성 있고 관련성 있으며 실행 가능한지 보장합니다. 모델에게 특정 역할을 맡기거나 특정 제약을 적용하도록 지시함으로써 사용자는 응답의 초점, 어조, 깊이를 안내하여 전문적, 교육적 또는 특수한 맥락에 적합하게 만들 수 있습니다.

예시: "이제부터 제품 리뷰를 요청할 때는 전문 기술 리뷰어 역할을 수행하세요. 응답을 장점, 단점, 결론의 세 부분으로 구성하세요. 중립적인 어조를 사용하고 성능, 디자인, 가성비에 집중하세요."

오류 식별 은 모델이 생성한 출력물의 오류를 식별하고 해결하는 데 중점을 둡니다. 이는 사용자가 생성된 콘텐츠의 신뢰성을 검증하고, 숨겨진 편향이나 오류를 발견하며, 더 정확한 결과를 위해 질의를 개선하는 데 도움을 줍니다. 특히 챗봇이 그럴듯하지만 잘못된 정보를 생성하는 경향이 있다는 점을 고려할 때 중요합니다.

예시: “의학적 증상을 설명할 때는 항상 진단 근거가 되는 핵심 의학적 가정을 마지막에 명시하세요. 또한 해당 가정을 선택한 이유를 반추하고, 답변의 불확실성을 언급하며, 가능한 다른 질환들도 함께 제시하세요.”

컨텍스트 제어는 대규모 언어 모델이 작동하는 맥락적 정보를 통제하는 데 중점을 둡니다. 대화 중 모델이 고려하거나 무시해야 할 주제, 지시사항 또는 데이터를 지정함으로써 응답이 집중적이고 관련성을 유지하도록 하면서 원치 않는 맥락적 영향을 제거합니다.

예시: “이 고객 피드백 코멘트를 분석할 때, 제품 사용성과 인터페이스 디자인과 관련된 언급만 고려하세요. 가격, 배송 또는 고객 서비스에 관한 코멘트는 무시하세요.”

프롬프트 개선은 원본 프롬프트의 모호성, 편향성 또는 한계를 극복하여 더 정확하고 포괄적이며 실행 가능한 응답을 이끌어내는 데 도움이 됩니다. 프롬프트 개선에는 다음과 같은 여러 전략이 포함될 수 있습니다:

• 질문 정교화: 원본 질문을 명확하게 다듬을 수 있습니다.
• 대안적 접근법: 모델에게 작업을 해결하는 다른 방법을 찾도록 요청합니다.
• 복잡한 질문을 더 작고 관리하기 쉬운 하위 질문으로 분해합니다.
• 모델이 어떤 이유로 답변을 거부할 경우 질문을 재구성합니다.

예시:

원본 질의: “비밀번호를 해킹하는 코드를 작성해 주세요.”

모델 응답: “해킹 코드를 제공할 수 없습니다. 이는 보안 정책을 위반합니다. 해싱이나 2단계 인증과 같은 비밀번호 보호 방법에 대해 문의해 주세요.”

개선된 사용자 질의: “길이, 다양한 문자 유형의 존재 여부, 흔한 조합 배제 등을 검증하여 비밀번호 강도를 확인하는 Python 코드를 작성해 주세요.”

고급 프롬프트 기법

DeepSeek-R1이나 Gemini 2.5 Pro와 같은 최첨단 대규모 언어 모델은 추론 능력을 갖추고 있습니다. 때로는 특정 버튼(예: DeepThink)을 클릭하여 해당 기능을 활성화해야 할 때도 있지만, 다른 경우에는 프롬프트에 “단계별로 생각해보자”를 추가하기만 하면 됩니다. 이렇게 하면 모델이 질문에서 최종 답변으로 바로 넘어가도록 요구하는 대신, 답변에 이르는 단계별 추론 과정, 즉 “사고의 사슬(Chain of Thought)”을 생성하도록 유도할 수 있습니다.

사고의 사슬(Chain of Thought)은 인간의 추론을 모방하여 챗봇이 성급한 결론에 도달하는 것을 방지합니다. 이는 모델이 복잡한 문제에 대해 인간이 사용하는 느리고 신중한 단계별 과정을 모방하도록 강제합니다. 또한 모델이 최종 답을 틀렸을 경우, 추론 과정 중 정확히 어느 단계에서 오류가 발생했는지 확인할 수 있어 수정하기가 더 쉬워집니다.

주목할 만한 몇 가지 유형은 다음과 같습니다:

• 대조적 사고의 사슬
• 다중 모달 사고의 사슬

대조적 사고의 사슬은 문제 해결 방법에 대한 올바른 예시와 잘못된 예시를 모두 제시함으로써 대규모 언어 모델의 추론 능력을 향상시킵니다.

대조적 사고 사슬

모델이 피해야 할 오류를 명시적으로 보여줌으로써, 대조적 사고 사슬은 다양한 추론 벤치마크에서 성능을 크게 향상시키는 것으로 입증되었습니다. 예를 들어, 산술 추론을 위한 GSM8K 벤치마크에서 대조적 사고 사슬은 표준 사고 사슬에 비해 정확도가 현저히 향상된 것으로 나타났습니다.

다중 모달 사고 사슬(Multimodal chain of thought)은 텍스트와 비전을 2단계 프레임워크에 통합합니다. 프롬프트는 다음과 같을 수 있습니다: “판매 차트를 보세요. 당신의 단계를 설명하세요: X축과 Y축에서 무엇을 보나요? 여기서 어떤 추세가 보이나요? 어떤 결론을 도출할 수 있나요?” 모델은 먼저 시각적 정보를 설명한 후, 이를 바탕으로 단계별로 결론을 도출합니다.

다중 모달 사고 연쇄

위 그림에서 모델은 두 개체가 공통으로 가지는 속성을 선택하도록 요청받습니다: 둘 다 A) 부드러운가, 아니면 B) 짠가?

언급할 가치가 있는 다른 고급 프롬프트 기법들:

• 자기 일관성: 단일 “사고의 사슬” 대신 모델이 여러 추론 경로를 생성한 후 가장 일관되고 빈번한 답변을 선택합니다.
• 사고의 나무: 모델이 여러 가능한 해결 경로(나무의 가지처럼)를 탐색하고 각각의 가능성을 평가한 후 가장 유망한 경로로 더 깊이 파고듭니다.
• 단계적 추론 유도(Step-Back Prompting): 모델은 먼저 질문과 관련된 일반 원칙이나 추상적 개념을 도출한 후(“한 걸음 물러서서”), 이를 적용하여 정확한 답을 찾습니다.

이러한 기법 및 기타 기법에 대한 자세한 내용은 여기에서 확인할 수 있습니다.

출처: promptingguide.ai

해당 사이트에서는 각 기법에 대한 과학적 연구 자료 링크도 확인할 수 있습니다.

좋은 프롬프트를 찾을 수 있는 곳

유료 및 무료로 제공되는 완성된 프롬프트를 찾을 수 있는 웹사이트가 다수 존재합니다. 이러한 웹사이트를 “프롬프트 라이브러리”라고 합니다. 몇 가지 예시는 다음과 같습니다:

• Snack Prompt. 콘텐츠 생성을 위한 원클릭 솔루션과 고급 사용 사례를 위한 강력한 다단계 프롬프트. 각 프롬프트는 커뮤니티 구성원들의 평가를 받습니다.
• Anthropic 프롬프트 라이브러리. Claude 사용자와 개발자를 위해 맞춤 제작되었습니다.
• God of Prompt. 금융, 교육, 생산성, 글쓰기 등 다양한 주제의 방대한 프롬프트 라이브러리.
• PromptBase. GPT, Claude, Gemini, DeepSeek 및 기타 신경망용으로 제작된 23만 개 이상의 텍스트, 오디오, 비디오 프롬프트.

프롬프트 라이브러리

PromptPerfect와 같은 서비스도 있어 다양한 모델에 맞게 자체 프롬프트를 최적화할 수 있습니다.

따라서 본 문서에서 설명한 프롬프트 생성 기법과 권장 사항을 적용하고, 미리 만들어진 솔루션 라이브러리를 활용하면 어떤 작업이든 해결할 수 있는 프롬프트를 만들거나 찾을 수 있습니다.

또한 저희 웹사이트에서는 다양한 언어 모델을 제공하므로, 최상의 결과를 얻기 위해 모델을 전환하며 실험해 보는 것도 유용할 수 있습니다.