Google의 2025년 2월자 백서 “Prompt Engineering” 문서를 바탕으로 정리된 글입니다.
1. 기술 백서 제목
Prompt Engineering
– 생성형 AI를 가장 잘 다루는 기술, ‘프롬프트 엔지니어링’의 모든 것
2. 짧은 개요 (Intro)
“ChatGPT에 똑같이 질문했는데, 왜 나는 결과가 별로지?”
LLM(대형 언어 모델)을 제대로 활용하고 싶은 이들에게 가장 중요한 스킬, 바로 프롬프트 엔지니어링입니다. 이 글은 Google의 공식 백서를 기반으로, 프롬프트 엔지니어링의 핵심 원리부터 실전 기술, 자동화 방법과 베스트 프랙티스까지 가장 실용적으로 정리합니다.
3. 문제 정의
프롬프트 하나로 LLM의 성능은 천차만별입니다. 하지만 “좋은 프롬프트”를 어떻게 설계해야 할지는 여전히 막막한 것이 현실이죠. 본 백서는 이러한 문제를 해결하기 위해 다양한 프롬프트 방식과 구성요소, 그리고 실전 사례들을 통해 “프롬프트 설계법의 기준”을 제시합니다.
4. 핵심 내용 정리
🔧 LLM의 출력 제어 요소
- Output length: 길이 제한은 비용과 속도에 영향을 줍니다.
- Sampling 설정:
- Temperature: 낮을수록 예측 가능성 ↑, 높을수록 창의성 ↑
- Top-K / Top-P: 확률 기반 토큰 선택을 제어해 다양성과 일관성 균형 조정
- 추천값:
temperature 0.2,top-p 0.95,top-k 30
🧠 다양한 프롬프트 방식
| 프롬프트 방식 | 설명 | 예시 |
|---|---|---|
| Zero-shot | 예시 없이 바로 요청 | 리뷰 분류 |
| One/Few-shot | 예시 1~3개 이상 포함 | JSON 변환 |
| System Prompting | 출력 양식, 스타일 지정 | JSON 포맷으로 감정 분석 |
| Role Prompting | 특정 역할 부여 | “여행 가이드로서 추천 장소 알려줘” |
| Contextual Prompting | 문맥 정보 제공 | 블로그 주제 제안 등 |
| Step-back Prompting | 일반적 질문을 먼저 던지고 이후 세부 문제 해결 | 게임 레벨 기획 |
| Chain of Thought (CoT) | 단계적 사고 유도 | 수학 문제 추론 |
| Self-consistency | 여러 번 실행 후 가장 일관된 답 선택 | 이메일 중요도 판단 |
| Tree of Thought (ToT) | 다양한 사고 경로 병렬 탐색 | 복잡한 의사결정 |
| ReAct | LLM이 외부 도구와 상호작용 | 검색 API 사용해 메탈리카 멤버 자녀 수 찾기 |
5. 주요 결과 요약
- **모델 설정값(tuning)**은 프롬프트의 효과에 핵심적인 영향을 미침
- 프롬프트 기법 조합 (예: few-shot + CoT + system prompt)이 복잡한 문제에 효과적
- JSON 등 구조화된 출력 요구는 LLM의 환각을 줄이고 실전 활용도 높임
- 프롬프트 자동화 (APE) 기법은 반복 작업 효율화에 유용
- 프롬프트 기록과 버전 관리는 지속적인 품질 유지에 필수
6. 리뷰 / 추가 논의
이 백서는 LLM을 “잘 쓰기 위한 실전 매뉴얼”이라 할 수 있습니다. 특히 시스템 프롬프트와 역할 프롬프트, Chain of Thought 기법은 초보자뿐 아니라 실무 AI 개발자에게도 필수적인 도구입니다.
또한 최근 주목받는 ReAct 방식은 LLM이 외부 API나 툴과 함께 작동하는 “에이전트형 AI”의 실마리를 제공합니다. 단순 질문응답을 넘어, 문제 해결형 AI를 개발하려면 이 접근법은 꼭 익혀야 합니다.
☑️ 궁극적으로 중요한 점은:
프롬프트는 ‘질문’이 아니라 ‘설계’다.
프롬프트를 잘 짜면 LLM이 전문가처럼 행동한다.
7. 요약 (Conclusion)
- LLM 성능은 프롬프트 설계에 달려있다
- 다양한 프롬프트 기법을 조합해 활용하자
- 실전에서는 **출력 제어 설정값 (temperature, top-k/p)**도 같이 튜닝
- 프롬프트 자동화 및 구조화 출력을 통해 효율성과 정확성을 모두 잡을 수 있다
- 항상 프롬프트 실험을 문서화하자
