프롬프트

프롬프트는 모델이 무엇을 처리해야 하는지와 그에 필요한 자료를 전달하는 입력이다. 질문에 답하기, 문서 요약하기, 분류하기, 초안 작성하기처럼 요청의 형태는 다양하다. 대규모 언어 모델은 입력의 맥락을 바탕으로 출력을 생성하지만, 프롬프트만으로 학습 데이터에 없거나 제공되지 않은 사실을 확실히 알게 되는 것은 아니다. 외부 자료를 근거로 답하게 하려면 관련 문서나 검색 결과를 함께 제공하고, 답변이 의존할 자료의 범위를 지정할 수 있다.^[1][2]

프롬프트는 결과의 품질을 단독으로 결정하는 만능 조절 장치가 아니다. 성능 문제가 지시의 모호함에서 비롯되면 표현과 구조를 개선할 수 있지만, 잘못된 자료나 부적합한 모델 선택처럼 다른 원인이 있으면 프롬프트 수정만으로 해결되지 않을 수 있다. 따라서 성공 기준과 실제 입력 사례를 먼저 정하고, 그 기준으로 결과를 평가하는 일이 개선의 출발점이다.^[1]

실무 프롬프트에는 보통 과업, 맥락과 입력 자료, 제약 조건, 원하는 출력 형식을 명시한다. 예를 들어 “이 안내문을 요약해 줘”라고만 하기보다 “아래 안내문을 처음 읽는 시민을 위해 핵심 변경 사항 세 가지를 한국어 글머리표로 정리하고, 원문에 없는 내용은 추정하지 말라”고 요청하면 대상 독자와 작업, 분량, 형식, 근거 범위를 함께 전달할 수 있다. 이런 요소는 고정된 공식이 아니라 과업에 필요한 정보를 빠뜨리지 않도록 돕는 점검 항목이다.^[1][2]

입력 자료와 지시를 구분해 표시하면 모델이 어떤 텍스트를 처리해야 하는지 명확해질 수 있다. 문서 요약에서는 자료를 인용부호나 명시적 구획으로 둘러싸고, 그 바깥에 요약 기준을 적을 수 있다. 출력 형식이 중요하면 필드명이나 허용 값, 길이 제한을 제시한다. 이런 구성을 반복해서 사용한다면 템플릿으로 관리할 수 있지만, 결과가 항상 형식 지시를 준수한다고 가정하지 말고 애플리케이션에서 구조 검증이나 오류 처리를 병행해야 한다.^[1][2]

원하는 답변의 패턴이 말로 설명하기 어렵다면 입력과 기대 출력의 예시를 함께 제시하는 퓨샷 예시를 사용할 수 있다. 예시는 모델이 따라야 할 형식이나 분류 기준을 보여 주지만, 몇 개를 넣을지와 어떤 사례를 고를지는 과업에 따라 달라진다. 편향된 사례만 제공하면 그 편향이 출력에 반영될 수 있으므로 가능한 입력 범위를 대표하는 예시를 선택하고, 예상하지 못한 사례도 평가해야 한다.^[1][2]

모델의 학습 범위 밖 자료를 활용할 때는 자료를 프롬프트에 포함하거나 검색을 통해 관련 문서를 찾아 입력에 결합할 수 있다. 이 방식은 검색-증강-생성의 기본적인 활용 맥락과 연결된다. 자료를 제공할 때는 어떤 출처를 근거로 삼을지, 자료에 답이 없으면 어떻게 처리할지 함께 지정하는 편이 낫다. 입력 길이에는 모델별 문맥 한계가 있으므로 긴 자료를 무작정 모두 넣기보다 필요한 부분을 선별하고, 누락되거나 잘린 자료가 없는지 확인해야 한다.^[1][2]

프롬프트 작성법이 모든 모델에 똑같이 적용되는 것은 아니다. Anthropic은 사용 사례에 적합한 성공 기준과 평가 방법을 마련한 뒤 프롬프트를 반복적으로 시험하라고 설명한다. Google의 Gemini 가이드는 명확하고 구체적인 지시를 시작점으로 제시하면서도 사용 사례와 관찰된 응답에 맞춰 개선할 것을 권한다. 따라서 특정 공급자의 예시를 모든 모델에 적용되는 규칙으로 받아들이기보다 사용하는 모델과 버전에서 확인해야 한다.^[1][2]

텍스트 질의와 이미지·음성 등 멀티모달 입력은 다루는 입력의 종류와 지정 가능한 정보가 다르다. 모델별 문서에서 해당 입력 형식과 제약을 확인하고, 텍스트 지시만으로 전달하기 어려운 대상이나 장면 정보는 지원되는 파일·매개변수로 보완할 수 있다. 도구를 사용하는 에이전트형 작업도 모델과 도구의 지원 방식에 따라 입력 구조와 평가 기준을 따로 점검해야 한다. 이미지 생성처럼 특정 과업에 특화된 기법은 범용 텍스트 원칙과 구별해 해당 기능의 공식 안내를 기준으로 삼아야 한다.^[2]

프롬프트 개선은 초안을 한 번 쓰고 끝내기보다 결과를 관찰하고 수정하는 과정이다. 먼저 대표 입력과 성공 기준을 정한 다음, 현재 프롬프트의 결과를 기준선으로 기록한다. 이후 한 번에 한 가지 요소를 바꾸어 어떤 변화가 생겼는지 비교하면 개선 원인을 파악하기 쉽다. 예시나 제약을 추가했다면 성공 사례뿐 아니라 실패 사례와 경계 사례도 함께 시험한다. 프롬프트가 길어지는 것 자체를 목표로 삼기보다 누락된 요구를 명료하게 보완하는 편이 중요하다.^[1][2]

서비스에서 프롬프트를 사용한다면 모델 버전이나 입력 자료가 바뀔 때 결과가 달라지는지 평가해야 한다. 평가는 결과가 완전히 결정적으로 되게 하지는 않지만, 변경 전후의 품질 저하를 발견하고 비교하는 데 도움을 준다. 민감한 자료를 입력할 때는 모델 제공자의 데이터 처리 조건과 조직의 보안 정책도 확인해야 한다.^[1]

프롬프트를 모델의 입력으로 이해하면 명령-프롬프트 같은 운영체제 명령줄과 구분할 수 있다.^[2]

• 생성형 인공지능
• 대규모 언어 모델
• 프롬프트 엔지니어링
• 검색-증강-생성

• 생성형 인공지능
• 대규모 언어 모델
• 템플릿

^[1] Anthropic, Prompt engineering overview, Claude Platform Docs, Pplatform.claude.com(새 탭에서 열림)

^[2] Google AI for Developers, 프롬프트 설계 전략, Gemini API 문서, Aai.google.dev(새 탭에서 열림)