인공지능 길들이기
“질문을 던졌지만 원하던 답을 얻지 못해 실망한 적 없으신가요? 사실, 그건 AI의 문제가 아닐 수 있습니다. 이 글이 도움 되길 바랍니다.”
대규모 언어 모델을 효과적으로 활용하기 위한 다양한 프롬프트 패턴과 그 조합 방법에 대해 요약합니다.
일종의, 인간사회에서 사람의 성격에 따라, 대화의 방식이 변하듯, 인공지능도 같은 맥락의 방법이며, 이렇게 하는 이유는, 대화를 통한 내가 원하는 정보를 얻기 위함입니다.
주제: 즉각적이고 방대한 응답을 제어하고, 사용자가 원하는 시점에 입력을 받아 대화를 주도하는 방법.
내용 요약: LLM에 특정 규칙을 설명한 후, 규칙을 적용할 '첫 번째 입력'을 사용자에게 요청하도록 지시하는 패턴입니다. 이를 통해 LLM이 불필요한 내용(예: "어수선한 책상 정리" 예시)을 먼저 생성하는 것을 막고, 사용자가 원하는 주제에만 집중하여 대화를 시작할 수 있습니다. 프롬프트의 끝에 항상 입력 요청 메시지를 포함하는 것이 중요합니다.
주제: 복잡하고 거대한 작업을 작은 조각으로 나누어 LLM과 함께 체계적으로 작성하는 방법.
내용 요약: LLM에게 '아우트라인 확장자' 역할을 부여하여, 전체 프로젝트의 개요(outline)를 먼저 만들게 합니다. 사용자는 이 개요 중 특정 부분을 선택하여 확장을 요청하고, LLM은 해당 부분에 대한 새로운 하위 개요나 상세 내용을 생성합니다. 이 패턴은 LLM의 제한된 입력/출력 한계를 극복하고, 개별 조각들이 전체 구조에 명확하게 맞춰지도록 도와줍니다. 페르소나, 꼬리 생성, 입력 요청 패턴 등을 결합하여 사용할 수 있습니다.
주제: 반복적이고 정형화된 작업을 위해 대화 내에서 사용자만의 '프로그램'을 구축하는 방법.
내용 요약: 사용자가 특정 명령(예: '확장' 또는 '작성')을 입력하면, 미리 정의된 규칙에 따라 LLM이 특정 행동을 실행하도록 하는 패턴입니다. 긴 프롬프트를 반복해서 입력할 필요 없이 간단한 키워드만으로 작업을 재현할 수 있습니다. 이는 조직 내에서 공통 작업을 자동화하거나, 프롬프트 엔지니어링 지식을 공유하는 데 유용하며, 마치 대화 속에서 자신만의 소프트웨어 메뉴를 만드는 것과 같습니다.
주제: LLM이 생성한 결과물의 정확성을 검증하고, 사실 확인 프로세스를 지원하는 방법.
내용 요약: LLM이 텍스트를 생성할 때, 해당 텍스트에 포함된 핵심 사실 목록(checklist)을 함께 출력하도록 지시하는 패턴입니다. 이 목록을 통해 사용자는 텍스트에 녹아있는 중요한 정보들을 한눈에 파악하고, 외부 출처와 교차 검증할 수 있습니다. 이는 LLM의 부정확성(환각) 문제를 완화하고, 결과물을 맹신하지 않고 비판적으로 검토하도록 돕는 유용한 도구입니다.
주제: 긴 대화에서 LLM이 이전에 정의된 규칙이나 맥락을 잊어버리는 것을 방지하는 방법.
내용 요약: LLM이 응답을 마칠 때마다, 그 출력물의 끝(tail)에 다음 작업을 위한 규칙이나 중요한 맥락을 다시 상기시키는 문장을 포함하도록 하는 패턴입니다. 이 '꼬리'는 대화의 흐름을 유지하고, LLM이 게임의 규칙을 잊지 않도록 지속적으로 재교육하는 역할을 합니다. 특히 여러 규칙을 적용하여 복잡한 작업을 진행할 때 효과적입니다.
주제: 텍스트에서 특정 의미나 특성을 가진 정보를 식별하고 제거하거나 보존하는 방법.
내용 요약: LLM에게 '의미론적 필터' 역할을 부여하여, 주어진 텍스트에서 특정 목적에 맞는 정보를 골라내거나(보존), 제거(필터링)하도록 지시하는 패턴입니다. 예를 들어, 민감한 정보(날짜, 개인 정보 등)를 제거하거나, 특정 질병(당뇨병) 진단에 관련된 내용만을 제거하는 등 텍스트의 의미를 기반으로 정보를 조작합니다. 이는 정보의 정리, 보안, 또는 특정 목적에 맞는 텍스트 변환에 유용합니다.
주제: 여러 프롬프트 패턴을 결합하여 더욱 정교하고 강력한 설루션을 만드는 방법.
내용 요약: 각 패턴이 특정 문제를 해결하는 도구라면, 이들을 서로 연결하여 복잡한 전체 문제를 해결할 수 있습니다. 예를 들어, 아우트라인 확장 패턴에 메뉴 액션 패턴을 결합하여 개요를 빠르게 작성하고, 꼬리 생성 패턴을 사용하여 대화의 맥락을 유지하며, 사실 체크리스트 패턴으로 정확성을 검증하는 등, 여러 패턴의 장점을 결합하여 시너지를 창출할 수 있습니다.
※ 본 요약은 Coursera의 Vanderbilt University ‘프롬프트 엔지니어링 특화 과정’ 학습 내용을 바탕으로 작성된 개인 학습 기록입니다. 공정 이용(fair use) 범위 내에서 작성되었으며, 강의 원문 및 자료의 직접 복제·캡처는 저작권에 의해 금지됩니다.- by Coursera Plus - "Learning Notes and Summaries by Digitalian”