프롬프트 엔지니어링은 AI에 맡길 작업과 조건을 입력으로 구성하고, 결과를 평가해 입력을 개선하는 과정입니다. 모델에 제공하는 프롬프트에는 지시뿐 아니라 참고 자료와 예시도 담을 수 있습니다. 결과에서 무엇이 잘못됐는지에 따라 지시를 구체화하거나 자료와 예시를 보완합니다.
지시와 맥락, 예시의 구성
- 명확한 지시: 원하는 결과와 형식, 조건을 구체적으로 적습니다.
- 맥락 제공: 작업에 필요한 배경과 원문 자료를 함께 제공합니다.
- 예시 제공: 원하는 입출력을 보여 줍니다. 예시를 몇 개 넣는 방식을 few-shot 또는 multishot이라고 부릅니다.
- 구조화: 지시와 참고 자료, 예시를 구분합니다. Anthropic은 XML 태그 활용도 안내합니다.
- 역할 지정: 작업에 필요한 역할과 관점을 시스템 지시 등에 명시합니다.
시스템 지시에 역할을 지정하는 것과 작업에 필요한 자료를 제공하는 것은 목적이 다릅니다. 역할은 답변의 관점과 말투를 정하는 데 도움을 주지만, 답변에 필요한 사실까지 제공하지는 않습니다. 제품의 사양을 비교하게 하려면 전문가 역할을 지정하는 것 외에 비교할 제품 자료도 입력에 포함해야 합니다.
Few-shot과 사고 사슬 연구
2020년 GPT-3 논문인 Language Models are Few-Shot Learners는 몇 개의 예시만으로 여러 작업을 수행하는 능력을 널리 알렸습니다. 2022년 Chain-of-Thought 논문은 단계별 풀이 예시를 제시하는 기법을 다뤘습니다.
일부 추론 모델은 자체적으로 중간 추론을 수행하므로 풀이 순서를 세세하게 지시하는 것이 오히려 불필요할 수 있습니다. 초기 모델을 대상으로 한 논문의 결과를 적용할 때는 현재 사용할 모델에서도 정답률이 높아지는지 비교해야 합니다.
프롬프트와 컨텍스트 설계
대화가 길어지면 지시문 외에 이전 대화, 검색한 자료, 도구 실행 결과도 모델이 참고할 정보에 포함됩니다. Anthropic은 2025년 글에서 이런 정보를 매 단계에 맞게 선택하고 유지하는 작업을 컨텍스트 엔지니어링으로 설명했습니다. 프롬프트의 문구를 고치는 데서 더 나아가, 제한된 컨텍스트 윈도우에 어떤 정보를 남길지 설계하는 것입니다.
검색 마케팅의 활용 범위
AI 가시성을 측정할 때도 고객이 실제로 물을 법한 질문을 설계합니다. 제품 추천을 요청하는 질문, 대안을 비교하는 질문, 예산이나 용도 조건을 붙인 질문을 고객의 표현으로 구성할 수 있습니다. 선택한 질문에 따라 브랜드 언급 결과가 달라질 수 있으므로, 어떤 질문을 측정했는지 보고서에 남깁니다.
다만 XML이나 few-shot 형식으로 웹 원고를 쓰면 AI 인용이 늘어난다는 근거는 확인되지 않았습니다. AI에 작업을 요청하는 입력 설계와 외부 검색 서비스가 읽을 콘텐츠의 최적화는 구분해야 합니다.
수정 전후 예시와 평가
요약 요청을 구체화한 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.
이 예시에서는 핵심 정의와 실제 예시, 주의점이 빠지지 않았는지, 각 항목이 두 문장 이내인지, 원문에 없는 수치나 주장을 덧붙였는지로 결과를 평가할 수 있습니다. 같은 원문을 두 지시문으로 요약하게 한 뒤 이 기준으로 비교합니다.
한 원문에서 잘 작동했다면 평소 다루는 다른 원문에도 적용해 봅니다. 원문에 실제 예시가 없는 경우처럼 지시를 그대로 따르기 어려운 입력도 평가에 포함합니다. 여러 번 실행해도 비슷한 오류가 생기는지 살피고 모델 이름과 실행 날짜를 기록해 두면, 지시문 수정과 모델 변경의 영향을 구별하기 쉽습니다.
자주 묻는 질문
명확한 지시가 왜 효과가 있나요?
형식과 분량, 판단 기준을 적으면 모델이 요청을 해석할 때 생기는 모호함을 줄일 수 있습니다. 효과는 실제 결과로 확인해야 하며, 지시를 구체화해도 오류 가능성이 없어지는 것은 아닙니다.
예시는 몇 개나 넣어야 하나요?
모든 작업에 맞는 개수는 없습니다. 원하는 출력 형식을 보여 주는 대표 예시를 고르되, 모델이 자주 틀리는 예외도 포함합니다. 비슷한 예시만 늘리기보다 예시를 추가하기 전과 후에 그 오류가 줄었는지 비교하는 편이 낫습니다.
프롬프트 엔지니어링은 이제 배울 필요가 없나요?
모델이 발전해도 어떤 결과가 필요한지와 어떤 자료를 근거로 삼을지는 요청자가 정해야 합니다. 특정 문구를 외우는 것보다 오류를 보고 지시와 자료를 고치는 연습이 실무에 도움이 됩니다.
개발자가 아닌 마케터에게도 필요한가요?
AI 가시성 질문 설계와 자료 조사, 요약 등에서 활용할 수 있습니다. 코드 없이도 지시와 예시, 배경을 명확하게 구성하고 결과를 평가하는 원칙을 적용할 수 있습니다.
함께 알아두면 좋은 용어
- 프롬프트: 설계의 대상이 되는 입력 자체
- LLM: 언어 데이터를 학습해 텍스트를 처리하고 생성하는 모델
- 사고 사슬: 여러 중간 단계를 거쳐 답에 도달하는 추론 방식
- AI 가시성: AI 답변에서 브랜드와 콘텐츠가 언급되거나 인용되는 정도