chore(wiki): reinforce knowledge batch #6-#10 (200 docs milestone)

10_Wiki/Topics/AI/Prompt-Engineering.md

@@ -1,31 +1,29 @@
 ---
-id: P-REINFORCE-AUTO-PREN-001
+id: PROMPT-ENG-001
 category: "[[10_Wiki/💡 Topics/AI]]"
-confidence_score: 0.98
-tags: [auto-reinforced, prompt-engineering, llm, ai-interacton, in-context-learning, zero-shot, few-shot]
-last_reinforced: 2026-04-20
+confidence_score: 1.0
+tags: [ai, prompt-engineering, llm, prompt-design, in-context-learning]
+last_reinforced: 2026-04-26
 ---
 
-# [[Prompt-Engineering]]
+# [[Prompt Engineering Mastery (프롬프트 엔지니어링)]]
 
 ## 📌 한 줄 통찰 (The Karpathy Summary)
-> "AI 길들이기의 기술: 무한한 잠재력을 가진 거대 언어 모델(LLM)이 내가 원하는 정답을 정확히 내놓도록, 가장 효과적인 지시어(Prompt)를 설계하고 맥락(Context)을 주입하며 결과의 품질을 유도하는 현대의 '주술적 대화법'."
+> "모델의 능력을 이끌어내는 정교한 '언어적 주문'을 설계하라" — 거대 언어 모델(LLM)이 최적의 결과물을 내놓도록 입력값(Prompt)의 구조, 맥락, 제약 조건을 체계적으로 설계하고 최적화하는 기술.
 
 ## 📖 구조화된 지식 (Synthesized Content)
-프롬프트 엔지니어링(Prompt-Engineering)은 LLM의 성능을 최적화하기 위해 입력을 정교하게 설계하는 기술입니다.
-
-1.  **3대 핵심 기법**:
-    *   **Zero-shot**: 예시 없이 바로 질문함.
-    *   **Few-shot**: 몇 가지 예시(Pattern)를 주어 형식을 유도함. (In-context learning)
-    *   **Chain-of-Thought (CoT)**: "단계별로 생각해보자"라고 지시하여 논리적 추론 유도. (Logical-Reasoning와 연결)
-2.  **왜 중요한가?**:
-    *   똑같은 모델이라도 프롬프트 한 줄에 따라 '천재적인 비서'가 될 수도, '헛소리하는 기계'가 될 수도 있기 때문임 (Garbage In, Garbage Out).
+- **추출된 패턴:** 모델에게 페르소나를 부여하고, 단계별 사고(CoT)를 유도하며, 명확한 출력 형식을 지정하여 생성 결과의 예측 가능성과 품질을 높이는 인지 가이드 패턴.
+- **핵심 기법:**
+    - **Few-shot Prompting:** 프롬프트 내에 몇 가지 입-출력 예시를 포함시켜 모델의 이해도 향상.
+    - **Chain of Thought (CoT):** "단계별로 생각해보자"와 같은 문구를 통해 논리적 추론 과정을 명시적으로 유도.
+    - **Persona Prompting:** 모델에게 특정 전문가 역할을 부여 (예: "너는 20년 경력의 시니어 개발자야").
+    - **Output Structuring:** JSON, Markdown 등 특정 형식으로 응답하도록 강제하여 후처리 자동화 용이성 확보.
+    - **Iterative Refinement:** 테스트와 피드백을 통해 프롬프트를 지속적으로 수정하여 성능 최적화.
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
-- **과거 데이터와의 충돌**: 과거에는 단순히 짧고 명확하게 물어보는 정책이었으나, 현대 정책은 페르소나(Persona) 부여 정책, 출력 형식 지정 정책, 그리고 시스템 메시지 정책을 통한 고도의 구조화 정책이 필수적임(RL Update).
-- **정책 변화(RL Update)**: 사람이 직접 프롬프트를 짜는 시대를 넘어, AI가 다른 AI를 위해 프롬프트를 최적화하는 '자동 프롬프트 엔지니어링 정책'과 프롬프트 없이도 데이터만으로 학습하는 정책들이 공존하며 진화 중임.
+- **과거 데이터와의 충돌:** 단순히 '질문 잘하기' 수준에서, 모델의 어텐션 메커니즘과 내부 가중치를 고려하여 최적의 성능을 끌어내는 공학적 영역으로 격상됨.
+- **정책 변화:** Antigravity 프로젝트는 모든 에이전트 인터랙션에 표준화된 프롬프트 템플릿을 사용하며, 지속적인 가드닝을 통해 프롬프트의 정합성을 관리함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Large Language Models (LLM)]], [[Logic]], [[Logical-Reasoning]], [[Iteration]], [[Agentic-Workflow]], [[Mastery]]
-- **Modern Tech/Tools**: LangChain, PromptBase, DSPy, OpenAI Playground.
----
+- [[In-Context-Learning]], [[LLM]], [[Agentic-Workflow]], [[Zero-Shot-Learning]]
+- **Raw Source:** [[10_Wiki/Topics/AI/Prompt-Engineering.md]]