프롬프트 엔지니어링은 AI에게서 원하는 결과를 얻도록 입력을 설계하는 기법입니다. 같은 질문도 어떻게 쓰느냐에 따라 답의 품질이 달라진다는 데서 출발한 분야로, 입력 자체를 뜻하는 프롬프트와 그 입력을 설계하는 기법인 프롬프트 엔지니어링을 구분해서 씁니다.
이 글은 OpenAI와 Anthropic의 공식 프롬프트 가이드, 기법의 기원이 된 원 논문을 기준으로 작성했습니다.
공식 가이드가 권장하는 기법
모델사 공식 문서가 안내하는 핵심 기법은 방향이 일치합니다.
- 명확하고 직접적인 지시: 모호한 요청 대신 원하는 결과, 형식, 조건을 구체적으로 씁니다
- 맥락 제공: 작업에 필요한 배경 정보를 입력에 포함합니다
- 예시 제공: 원하는 입출력 예시를 몇 개 보여주는 방식으로, few-shot 또는 multishot이라고 부릅니다
- 구조화: 지시와 자료, 예시를 구분자로 나눠 뒤섞이지 않게 합니다. Anthropic은 XML 태그 방식을 안내합니다
- 역할 부여: 시스템 지시에 전문가 역할을 지정하는 방식입니다
주의할 점은 기법의 이름과 취급이 회사마다 다르다는 것입니다. 역할 부여를 별도 기법으로 다루는 것은 Anthropic 쪽이고, OpenAI 가이드는 메시지 역할 구분과 지시 따르기 중심으로 설명합니다. 두 회사가 같은 목록을 쓰는 것처럼 뭉뚱그린 자료는 어느 쪽 문서도 정확히 안 읽은 것입니다.
학계에서 온 기법의 계보
대표 기법을 널리 알린 학술 논문도 있습니다. 2020년 GPT-3 논문(Language Models are Few-Shot Learners)은 예시 몇 개로 모델을 작업에 맞추는 few-shot 성능을 크게 알렸고, 2022년 구글 연구진의 사고 사슬(Chain-of-Thought) 논문은 풀이 과정을 단계로 제시하는 기법을 LLM 실무에 널리 알렸습니다.
초기 모델에서는 사고 과정을 명시적으로 유도하는 프롬프트가 성능 개선 기법으로 쓰였습니다. 현재 일부 추론 모델과 확장 사고 기능은 내부 추론을 수행하므로 세세한 사고 단계를 요구하는 프롬프트가 항상 도움이 되는 것은 아닙니다. 모델과 작업별로 결과를 평가해야 합니다.
기법 목록에서 컨텍스트 설계로
최신 모델사 문서에서는 문구를 세세하게 조정하는 요령뿐 아니라 필요한 맥락과 도구, 권한, 평가 기준을 설계하는 방법을 함께 강조합니다. Anthropic은 2025년 공식 블로그에서 이 흐름을 컨텍스트 엔지니어링이라는 말로 설명했습니다.
검색 마케터의 프롬프트 엔지니어링
이 기법이 검색 실무와 만나는 지점은 두 곳입니다.
첫째는 측정입니다. AI 가시성 추적은 고객이 물을 만한 질문 목록을 고정해 반복 입력하는 작업인데, 이 추적용 프롬프트를 잘 설계하는 것 자체가 프롬프트 엔지니어링의 응용입니다. AVCD는 추천형, 비교형, 조건형 질문을 섞고 실제 고객의 입말로 쓰는 방식으로 추적 목록을 만듭니다. 잘못 설계된 질문 목록은 잘못된 가시성 결론으로 이어지니까요.
둘째는 경계선입니다. 콘텐츠에 프롬프트 기법을 적용하면, 예컨대 XML 구조나 예시 형식으로 글을 쓰면 AI 인용이 늘어난다는 주장은 근거가 확인되지 않습니다. 프롬프트 엔지니어링은 AI에게 입력을 주는 쪽의 기술이지, AI에게 읽히는 콘텐츠를 쓰는 기술이 아닙니다. 두 방향을 섞은 조언은 걸러야 합니다.
수정 전후 프롬프트와 결과 검증
콘텐츠 요약을 맡기는 예시입니다.
수정 전:
이 글 요약해 줘.
수정 후:
아래 글을 처음 읽는 마케팅 담당자에게 설명해 줘. 핵심 정의, 실제 예시, 주의점 순서로 나누고 각 항목은 두 문장 이내로 써. 원문에 없는 수치와 주장은 추가하지 마.
두 번째 프롬프트는 대상과 출력 구조, 근거 범위를 명시합니다. 더 길다는 이유로 좋은 것이 아니라 필요한 판단 기준을 분명히 했기 때문에 결과를 비교하기 쉽습니다.
검증할 때는 대표 입력과 예외 입력을 따로 준비하고, 사실 일치와 형식 준수, 누락, 불필요한 추가 내용을 같은 기준표로 평가합니다. 프롬프트 하나를 한 번 실행한 결과만 보지 말고 여러 입력과 반복 실행에서 안정적인지 확인합니다. 모델을 바꾸면 같은 프롬프트의 결과도 달라질 수 있으므로 모델 이름과 날짜를 기록합니다.
자주 묻는 질문
명확한 지시가 왜 그렇게 효과가 있나요?
모델은 입력에 없는 의도를 추측으로 채웁니다. 원하는 형식, 분량, 기준을 명시하면 추측의 여지가 줄어 결과의 편차가 작아집니다. 공식 가이드들이 첫 번째 원칙으로 명확성을 두는 이유입니다.
예시는 몇 개나 넣어야 하나요?
정해진 수는 없고, 잘 고른 소수의 예시가 원칙입니다. 예시는 개수보다 대표성이 중요해서, 원하는 결과의 형식과 톤을 정확히 보여주는 예시 몇 개가 어중간한 예시 여러 개보다 낫습니다.
프롬프트 엔지니어링은 이제 배울 필요가 없나요?
문구 잔기술의 수명은 짧아졌지만 설계 능력의 가치는 커졌습니다. 추론 모델에게는 방향을 제시하고, 필요한 맥락을 고르고, 결과를 검증하는 능력이 여전히 결과 품질을 가릅니다. 배울 대상이 팁 모음에서 설계 원리로 바뀌었다고 보는 것이 정확합니다.
개발자가 아닌 마케터에게도 필요한가요?
필요합니다. AI 가시성 추적 질문 설계, 리서치 프롬프트 작성, AI 도구 활용 업무 전반이 입력 설계 품질에 좌우됩니다. 코드 없이도 명확한 지시, 예시, 맥락 제공이라는 원칙은 그대로 적용됩니다.
함께 알아두면 좋은 용어
- 프롬프트: 설계의 대상이 되는 입력 자체
- LLM: 프롬프트로 조종하는 모델
- 사고 사슬: 단계적 추론을 유도하던 기법이자 현재 추론 모델의 내장 동작
- AI 가시성: 추적 프롬프트 설계가 필요한 측정 체계