로컬 LLM 프롬프트 최적화 완전 가이드
소개 및 목차 "실험 데이터로 증명하는 최적화 테크닉"
by
Mar 14. 2026
Qwen3.5나 GPT-OSS 등의 로컬 LLM을, 프롬프트 설계만으로 실력을 끌어내는
방법을, 88~120회의 실험 데이터를 바탕으로 설명합니다.
모델 선정, 사고 모드, 페르소나 설계, 아첨 대책, 태스크 계획까지...
"대충"이 아닌 "숫자로" 최적화하는 실천 강좌입니다.
실제 사용한 소스코드는 전부 공개할 계획은 있지만, 요즘 제가 바빠서 -_-; 댓글로 요청이 오면 GitHub에 공개하도록 하겠습니다.
[목차 - Naver 블로그]
1. 96번 공백 응답에서 배운 실전 가이(Ollama/Qwen3.5)
2. 로컬 LLM 모델 사이즈 선택 가이드 - 0.6B부터 9B까지 18가지 실험으로 검증한 최적 선택법
3. 로컬 LLM 사고 모드(think) 완전 가이드 - 켜면 오히려 틀리는 이유와 올바른 사용법
4. 페르소나 프롬프트 효과 없는 이유 - 120회 실험으로 밝혀낸 LLM 더닝-크루거 효과
5. LLM 과잉 동조(Sycophancy) 완전 대응 가이드 - 1,029회 실험으로 밝혀낸 AI 거짓 동의 방지법
6. LLM 작업 계획 품질 높이는 법 - 마감 기한 설계만으로 파킨슨의 법칙 극복하는 75회 실험 결과
7. 로컬 LLM 프롬프트 템플릿 실전판 - 300회 실험으로 검증한 작업별 복붙 즉시 사용 설정
8. 로컬 LLM 벤치마크 직접 만드는 법 - 재현 가능한 실험 설계부터 자동 채점까지 완전 가이드
제가 얻은 결론은
"감"이 아닌 "데이터로" 프롬프트를 설계한다.
입니다.
©2024-2026 MDRules dev., Hand-crafted & made with Jaewoo Kim.
이메일문의: jaewoo@mdrules.dev
AI강의/개발/기술자문, AI 업무 자동화 컨설팅 문의: https://talk.naver.com/ct/w5umt5
AI 프롬프트 및 워크플로우 설계 대행: https://mdrules.dev