"프롬프트 엔지니어링 입문 2026 — 잘 묻는 법 5가지 패턴"

-

Anthropic·OpenAI 공식 가이드에서 추린 핵심 + 일반인도 바로 쓸 수 있는 템플릿

핵심 요약

  • 대상 독자: ChatGPT/Claude/Gemini를 쓰지만 답이 자꾸 빗나가서 답답한 일반 사용자 + 프롬프트 첫 입문 개발자.
  • 얻을 것: 1) 잘 묻는 5가지 패턴 (Anthropic/OpenAI 공식 권장) 2) 각 패턴별 즉시 복붙 가능한 템플릿 3) 가장 흔한 실수 7가지 4) "실패한 프롬프트 → 고친 프롬프트" before/after 5) 2026년 기준 최신 연구가 바꾼 것.
  • 핵심 직관: AI는 마법사가 아니라 새로 합류한 인턴이다. 인턴에게 일을 맡기는 방식 그대로.

1. 왜 같은 질문에 다른 답이 나오는가

LLM은 입력을 통계적으로 잇는다. 모호한 질문 = 모호한 답, 명확한 질문 = 명확한 답. "글 좀 잘 써줘"와 "300자 이내, 존댓말, IT 직장인 대상, 클릭하고 싶은 제목 5개"는 같은 의도지만 결과 격차가 크다.

Anthropic 공식 가이드는 5가지 핵심 기법을 제시한다: 명확하고 직접적으로, 예시 보여주기, 단계별로 생각하게 하기, 역할 부여, 구조 부여(XML 태그). 아래 5개 패턴이 정확히 이걸 일반 사용자 버전으로 풀어쓴 것이다.

2. 패턴 1 — 구체적으로 (Be clear and direct)

잘못된 예

"마케팅 글 써줘"

고친 예

"30대 직장인 여성을 대상으로, 새로 출시된 무선이어폰의 핵심 가치 3가지를 강조하는 SNS 광고 카피를 작성해줘. 길이는 한 문장 50자 이내, 이모지 1개 포함, 존댓말."

체크리스트

  • [ ] 누구에게: 독자/대상 명시 (30대 직장인 여성)
  • [ ] 무엇을: 결과물 종류 (SNS 광고 카피)
  • [ ] 얼마나: 길이·개수·형식 (50자, 1개)
  • [ ] 어떻게: 톤·스타일·제약 (이모지·존댓말)

이걸 매번 풀어 쓰기 귀찮다면 한 번 만들고 저장(ChatGPT는 Custom GPTs, Claude는 Project, Gemini는 Gem)해두면 된다.

3. 패턴 2 — 예시를 보여줘라 (Few-shot)

말로 설명하기보다 예시 1~5개를 주는 게 더 빠르다.

잘못된 예

"내 일기를 SNS 글로 바꿔줘"

고친 예

"다음 형식으로 일기를 SNS 글로 바꿔줘.

예시 1. 일기: "오늘 점심에 라멘을 먹었다. 줄을 30분 섰는데 맛있었다." SNS: "30분 줄 서서 먹은 라멘. 한 입에 모든 게 용서됨 🍜"

예시 2. 일기: "주말에 친구와 영화를 봤다. 감동적이었다." SNS: "오랜만에 본 친구 + 예상 못 한 명작. 주말이 이렇게 길었으면."

변환할 일기: "오늘 새벽까지 일했다. 끝나니까 6시였다.""

왜 효과적인가

2026년 연구에 따르면 예시 1~2개 주는 것만으로 평균 7.48% 정확도 상승, 4~5개부터는 효과가 둔화된다 (Few-Shot Prompting 2026 가이드). 비슷한 사례 2~3개면 충분하다.

4. 패턴 3 — 단계별로 생각하게 (Chain of Thought)

복잡한 추론이나 계산이 필요하면 "단계별로 생각해서 답해줘" 한 줄을 추가하는 것만으로 정확도가 오른다.

잘못된 예

"이 인테리어 견적이 합리적인지 판단해줘. (견적서 첨부)"

고친 예

"이 인테리어 견적이 합리적인지 판단해줘.

다음 순서대로 분석해줘. 1. 항목별 단가를 시장 평균과 비교 2. 누락되거나 중복된 항목 점검 3. 자재 등급이 가격에 합당한지 검토 4. 종합 결론 (합리/과다/부족 + 근거)

견적서: ..."

주의

2026년 연구는 GPT-5/Claude 4 같은 강력한 모델은 'step by step' 한 줄이면 충분하다고 본다. 굳이 예시까지 줄 필요는 없다 (Zero-shot CoT 연구). 약한 모델이나 정말 어려운 문제일 때만 예시를 추가하면 된다.

5. 패턴 4 — 역할을 줘라 (Give a role)

"너는 [역할]이다"로 시작하면 어조·관점·전문성이 한 번에 정렬된다.

잘못된 예

"이 계약서 검토해줘"

고친 예

"너는 IT 스타트업 전문 변호사다. 다음 SaaS 계약서 초안을 검토해서: 1. 우리(공급자) 입장에서 위험한 조항 2. 모호하게 해석될 수 있는 표현 3. 추가해야 할 보호 조항 을 한국어로 정리해줘."

주의 사항

  • 역할은 구체적으로. "변호사" < "IT 스타트업 전문 변호사"
  • 검증 가능한 사실은 별개: 역할을 줘도 모르는 건 모르는 거다. 환각 위험은 그대로.
  • 사람 흉내(연예인·실존 인물) 는 권장 안 함 — 윤리·저작권 이슈.

6. 패턴 5 — 구조를 줘라 (Structure / XML tags)

긴 입력을 줄 때, 구분자(### 또는 XML 태그)로 섹션을 나누면 모델이 헷갈리지 않는다.

잘못된 예

"이 문서 내용을 토대로 다음 메일에 답장 작성해줘. (문서와 메일을 평문으로 한 번에 붙여넣음)"

고친 예

``` [회사 환불 정책 전문]

[고객 메일 원문]

위 정책에 부합하는 답장 메일을 한국어로 작성. 정중하지만 단호하게. ```

XML 태그가 아니어도 ### Context, ### Email, ### Task 같은 마크다운 헤더로도 충분하다. Anthropic 공식 가이드는 XML을 권장, OpenAI는 Markdown도 잘 처리한다.

7. 가장 흔한 실수 7가지

실수 결과 고치는 법
1. 한 번에 너무 많은 요청 답이 표면적이거나 일부 누락 1 프롬프트 = 1 작업, 길면 분할
2. 부정형 지시 ("X하지 마") 무시되는 경우 多 "X 대신 Y" 긍정형으로
3. 모호한 형용사 ("좋게", "잘") 결과 들쭉날쭉 측정 가능한 기준 ("3가지 항목으로", "300자 이내")
4. 컨텍스트 없이 갑자기 지시 일반론 답변 배경·목적 1~2줄 먼저
5. 같은 채팅에서 무관한 질문 누적 모델이 이전 대화에 끌려감 새 채팅으로 분리
6. "정확하게 알려줘" 자신 있게 추측 "확실하지 않으면 '확인 필요'라고 답해"
7. 한 번 답에 만족 못 하면 처음부터 비용 낭비 "방금 답에서 X부분만 다시" 점진 수정

8. 실전 — Before/After 한 번 더

Before

"발표 자료 만들어줘"

After

"너는 B2B SaaS 영업 코치다.

30분 분량의 영업 미팅 발표를 위한 슬라이드 아우트라인을 작성해줘.

청중: 50인 규모 IT 회사의 CTO 1명, 개발팀장 2명. 우리 제품: 클라우드 보안 자동화 SaaS, 가격대 월 $500. 목표: 30분 발표 후 PoC 미팅 잡기.

다음 형식으로: - 슬라이드 번호 - 슬라이드 제목 (10자 이내) - 핵심 메시지 (1줄) - 청중 반응 유도 포인트 (있는 경우)

총 8~12장."

차이는 요청의 명확성과 결과 형식 강제. 같은 모델, 같은 비용으로 결과 품질이 5배 이상 벌어진다.

개발자 팁

API에서 추가로 활용할 것:

  1. 시스템 프롬프트 vs 사용자 프롬프트 분리: 역할·규칙·페르소나는 system, 매번 바뀌는 입력만 user. 캐싱 효율도 올라감.
  2. XML 태그가 더 안정적: Markdown은 모델이 마크다운 자체를 출력하는 경우가 있어 XML이 안전. Claude 4 시리즈는 XML 처리가 특히 잘됨.
  3. 예시는 최소·다양하게: 비슷한 예시 5개보다 다른 케이스 2~3개가 효과적.
  4. JSON Schema 강제: 형식이 중요한 응답은 OpenAI response_format, Anthropic tool_use 강제로 받자.
  5. 온도(temperature): 정확성 우선이면 0~0.3, 창의성 우선이면 0.7~1.0.
  6. Anthropic 공식 인터랙티브 튜토리얼: 9챕터 무료 코스. 진지하게 다룰 거면 1회 통과 권장.

참고

이 글은 AI 입문 시리즈의 3/11 편입니다. 다음 편: 프롬프트 고급 — 역할·예시·체이닝의 실전 응용 (확장편).

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »