feat: Wiki 지식 자산 업데이트 - UX Scenarios, Frontend, Game Design, Topics 추가 [2026-05-08]

2026-05-08 19:52:07 +09:00
parent 9dd3d40662
commit 5ba5a55c78
3984 changed files with 334557 additions and 28839 deletions
@@ -1,63 +1,25 @@
 ---
-id: prompt_engineering
-title: 프롬프트 엔지니어링 (Prompt Engineering)
+id: wiki-20260508-prompt-engineering-redir
+title: Prompt Engineering
 category: AI_and_ML
-status: stable
-confidence_score: 0.95
-created_at: 2026-04-30
-updated_at: 2026-05-08
-tags:
-  - prompt_engineering
-  - llm
-  - image_generation
-  - ai_optimization
-raw_sources:
-  - 프롬프트 구조 및 문법 (Prompt Structure & Syntax).md
-  - 프롬프트 엔지니어링 미세 조정.md
-  - 프롬프트 엔지니어링.md
-  - 프롬프트 엔지니어링의 진화.md
-  - 프롬프트 자동 확장 (Automatic Prompt Expansion).md
-  - 프롬프트 정밀도 (Prompt Precision).md
-  - 프롬프트 파라미터 제어 (Prompt Parameter Control).md
-  - 프롬프트 확장(Prompt Expansion).md
-  - 플랫폼별 프롬프트 최적화 (Platform-Specific Prompt Optimization).md
-  - Other/프롬프트 구조 및 문법.md
+status: merged
+redirect_to: Prompt_Engineering
+canonical_id: Prompt_Engineering
+aliases: []
+duplicate_of: none
+source_trust_level: A
+confidence_score: 0.92
+tags: [redirect]
+raw_sources: []
+last_reinforced: 2026-05-08
+github_commit: pending
+inferred_by: Claude Opus 4.7 (auto-merge 2026-05-08)
 ---

-# 프롬프트 엔지니어링 (Prompt Engineering)
+# Prompt Engineering

-## 📌 Brief Summary
-프롬프트 엔지니어링은 인간의 언어적 의도를 기계(LLM 및 이미지 생성 모델)가 해석 가능한 최적의 입력값으로 변환하여 원하는 결과물을 도출하는 정교한 기술 체계입니다 [1]. 이미지 생성 분야에서는 주체, 환경, 스타일, 조명 등을 논리적으로 배열하여 시각적 기호와 픽셀로 변환하는 청사진 역할을 하며 [2], 텍스트 분야에서는 모델의 추론 성능을 극대화하기 위한 구조적 지시어 설계를 의미합니다 [3]. 효과적인 프롬프트는 모델의 특성을 이해하고 반복적인 실험(Iterative Refinement)을 통해 정교화되는 과정을 거칩니다 [4].
-
-## 📖 Core Content
-
-### 1. 프롬프트의 핵심 계층 구조 (Hierarchical Structure)
-성공적인 프롬프트는 일반적으로 다음과 같은 5단계 레이어 패턴을 따릅니다 [1, 2, 7, 8].
-*   **주체 (Subject)**: 이미지의 중심 초점 및 서사적 주인공. 막연한 명사보다 구체적인 특징이나 행동을 포함해야 합니다 (예: "은색 털의 메인쿤 고양이") [6, 9].
-*   **환경 및 맥락 (Environment/Context)**: 주체가 존재하는 배경, 시간적/공간적 설정 [4, 11].
-*   **매체 및 스타일 (Medium & Style)**: 예술적 형식(유화, 3D 렌더링, 사진 등)이나 특정 화풍 정의 [8, 10].
-*   **조명 및 카메라 구도 (Lighting & Composition)**: 림 라이팅, 골든 아워, 85mm 렌즈 등 기술적 시각 연출 [11, 12].
-*   **기술 매개변수 (Parameters)**: 모델 고유의 명령어를 통한 시스템적 제어 (예: Midjourney의 `--ar`, `--s`) [13].
-
-### 2. 플랫폼별 최적화 전략 (Platform Optimization)
-*   **미드저니 (Midjourney)**: `[주체] [배경] [스타일] [매개변수]` 공식을 따르며, 예술적 미학이 강합니다. `--sref`(스타일 참조) 등을 통해 일관성을 유지합니다 [24-28].
-*   **DALL-E 3**: 자연어 이해도가 매우 높아 문장 형태의 서술이 유리합니다. 부정형 지시어("No", "Without")를 잘 이해하지 못하므로 긍정형 문장으로 구성해야 합니다 [18, 19, 29-31].
-*   **스테이블 디퓨전 (Stable Diffusion)**: 쉼표로 구분된 태그 중심 문법이 효과적이며, `(keyword:factor)` 가중치 조절과 전용 부정 프롬프트(Negative Prompt) 활용이 핵심입니다 [22, 23, 32].
-
-### 3. 정밀 제어 및 고급 기법
-*   **프롬프트 가중치 (Weights)**: 단어나 구문의 중요도를 수치적으로 조절하여 특정 요소의 발현 강도를 제어합니다 [17, 25].
-*   **부정 프롬프트 (Negative Prompt)**: 이미지에서 배제할 요소를 명시합니다. "나쁜" 같은 모호한 단어보다 "융합된 손가락", "워터마크" 등 구체적 결함을 지칭해야 합니다 [29-33].
-*   **프롬프트 자동 확장 및 정밀도**: 모델의 자동 확장 기능을 이해하고, 필요에 따라 특정 키워드를 강조하거나 억제하여 결과물의 정밀도(Precision)를 높입니다 [35-37].
-
-## ⚖️ Trade-offs & Caveats
-*   **자연어 vs 키워드**: DALL-E 3는 자연어에 최적화되어 있으나, 스테이블 디퓨전은 태그 중심이 더 유리합니다. 모델의 인코더 특성에 따른 선택이 필요합니다.
-*   **과도한 묘사의 함정**: 너무 많은 디테일은 모델의 '주의력(Attention)'을 분산시켜 핵심 주체의 품질을 저하시킬 수 있습니다. 15~50단어 사이가 가장 효과적입니다.
-*   **부정형 지시어의 반작용**: 일부 모델에서 "No dots"라고 입력하면 오히려 "dots"라는 토큰에 주목하여 점을 더 많이 그리는 현상이 발생할 수 있습니다.
-
-## 🔗 Knowledge Connections
- **Related Topics**: [[부정 프롬프트(Negative Prompt)|부정 프롬프트(Negative Prompt)]], [[디퓨전 모델(Diffusion Models)|디퓨전 모델(Diffusion Models)]], [[매개변수(Parameters)|매개변수(Parameters)]]
- **Projects/Contexts**: ConnectAI 프롬프트 라이브러리, 에이전트 워크플로우 최적화
- **Contradictions/Notes**: "Photorealistic" 단어 사용 시 일부 모델에서 인위적인 질감이 촉발될 수 있으므로, 실제 카메라 사양(렌즈, 셔터스피드)을 명시하는 것이 낫다는 보고가 있습니다 [35].
+> [!IMPORTANT]
+> 이 문서는 P-Reinforce Phase 2 자동 MERGE에 의해 **[[Prompt_Engineering]]**로 통합되었습니다.

 ---
-*Last updated: 2026-05-08*
+*Redirected to: [[Prompt_Engineering]]*