2nd/10_Wiki/Topics/Prompt_Engineering.md

---

id: wiki-2026-0508-prompt-engineering title: Prompt Engineering category: AI_and_ML status: needs_review canonical_id: self aliases: [prompt_engineering] duplicate_of: none source_trust_level: A confidence_score: 1.0 tags: [- prompt_engineering - llm - image_generation - ai_optimization - chain-of-thought - few-shot - midjourney - stable_diffusion] raw_sources: [- AI_and_ML/Prompt_Engineering.md - AI_and_ML/Prompt-Engineering-Foundations.md - AI_and_ML/Prompt_Structure.md - AI_이미지_생성_및_프롬프트_엔지니어링_워크플로우.md - AI/Prompt-Engineering.md] last_reinforced: 2026-05-08 github_commit: pending inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)

프롬프트 엔지니어링 (Prompt Engineering)

📌 한 줄 통찰 (The Karpathy Summary)

프롬프트 엔지니어링은 인공지능 모델(LLM 및 이미지 생성 모델)로부터 최적의 결과물을 도출하기 위해 입력값(Prompt)을 전략적으로 설계, 최적화 및 프로그래밍하는 기술 체계입니다 [1]. 단순히 '말을 잘하는 법'을 넘어, 모델의 추론 성능을 극대화하기 위한 구조적 지시어 설계와 반복적인 실험(Iterative Refinement)을 통해 잠재된 확률의 바다에서 최적의 해답을 인양하는 현대 지능 제어의 핵심 인터페이스 역할을 합니다 [4, 12].

📖 구조화된 지식 (Synthesized Content)

1. 프롬프트 엔지니어링의 기초 (Foundations)

모델에게 사고의 방향을 제시하는 가장 기본적인 기법들입니다.

• Zero-shot: 예시 없이 직접적인 지시만 내리는 방식.
• Few-shot: 몇 개의 입출력 예시를 제공하여 모델이 패턴을 학습하게 하는 방식 [18].
• Chain of Thought (CoT): "단계별로 생각해보자"와 같은 문구로 모델의 논리적 추론 과정을 명시적으로 유도하는 기법 [19].
• Persona Prompting: 모델에게 특정 전문가 역할을 부여하여 출력의 전문성을 높입니다 (예: "너는 20년 경력의 시니어 개발자야") [20].
• System Prompt: 모델의 전반적인 페르소나, 행동 규칙, 제약 사항을 정의하는 최상위 지시어 [20].

2. 핵심 계층 구조 (Hierarchical Structure)

인간의 의도를 AI가 해석 가능한 시각적/언어적 기호로 번역하기 위한 5단계 레이어 패턴입니다 [1, 2, 15].

1. 주체 (Subject): 중심 초점. 막연한 명사보다 구체적인 특징이나 행동을 포함 (예: "늙은 남자" -> "풍파를 겪은 손을 가진 어부") [6, 20].
2. 환경 및 맥락 (Environment/Context): 주체가 존재하는 배경, 시간적/공간적 설정 및 서사적 맥락 [9, 21].
3. 매체 및 스타일 (Medium & Style): 사진, 유화, 3D 렌더링 등 예술적 형식이나 특정 화풍 정의 [7, 22].
4. 조명 및 카메라 구도 (Lighting & Composition): 림 라이팅, 골든 아워, 85mm 렌즈 등 기술적 연출 [11, 23].
5. 기술 매개변수 (Parameters): 모델 고유의 명령어를 통한 시스템적 제어 (예: Midjourney의 --ar, --s) [16, 24].

3. 고도화된 이미지 생성 기술 (Advanced Image Generation)

단순 생성을 넘어 일관성과 정밀도를 확보하기 위한 기술입니다.

• 참조 제어 (References):
  • Character Reference (--cref): 특정 캐릭터의 외형을 유지하며 다른 구도/상황 생성 [39].
  • Style Reference (--sref): 특정 이미지의 화풍, 색감, 질감을 복제 [40].
• 구도 제어 (ControlNet): 스케치, 포즈, 깊이 정보를 입력하여 이미지의 구조를 픽셀 단위로 제어 [45].
• LoRA (Low-Rank Adaptation): 특정 인물, 스타일, 사물을 학습한 저용량 가중치 파일을 사용하여 일관성 확보 [46].

4. 반복적 정교화 워크플로우 (Iterative Refinement)

한 번에 완벽한 결과를 얻기보다 점진적으로 다듬어가는 협업 과정입니다 [4].

• Start Simple: 핵심 요소만 담은 간결한 지시어(15~50단어)로 뼈대를 구축합니다 [7, 31].
• Generate-Inspect-Adjust: 결과를 평가하고 한 번에 하나의 요소만 변경하여 모델의 반응을 파악합니다 [11, 12].
• Vary Region / Inpainting: 이미지의 전체 분위기는 유지하면서 특정 부분만 수정합니다 [16].

5. 플랫폼별 최적화 전략 (Platform Optimization)

• 미드저니 (Midjourney): [주체] [배경] [스타일] [매개변수] 공식 중심. 자연어보다는 시각적 키워드 블록에 강점이 있습니다 [43].
• DALL-E 3: 완전한 자연어 문장 형태의 서술에 최적화되어 있습니다 [44, 69].
• 스테이블 디퓨전 (Stable Diffusion): 쉼표로 구분된 태그 중심 문법과 가중치 조절, 전용 부정 프롬프트 활용이 핵심입니다 [45, 69].

⚠️ 모순 및 업데이트 (Contradictions & Updates)

• 자연어 vs 태그: 모델의 텍스트 인코더 특성에 따라 문장형(DALL-E) 혹은 키워드형(SD)을 선택해야 합니다.
• 주의력 분산 (Attention Dilution): 과도한 디테일은 모델의 주의력을 분산시켜 핵심 주제의 품질을 저하시킬 수 있습니다 [54].
• 부정형의 역설: 일부 모델에서 "No dots" 입력 시 오히려 "dots" 토큰에 주목하여 점을 더 많이 그리는 현상이 발생할 수 있습니다 [55].

🔗 지식 연결 (Graph)

• Related Topics: P-Reinforce, Backend/Indirect Prompt Injection
• Projects/Contexts: ConnectAI 프롬프트 라이브러리, 에이전트 워크플로우 자동화
• Contradictions/Notes: "Photorealistic" 같은 단어보다 실제 카메라 사양(렌즈, 셔터스피드)을 명시하는 것이 질감 제어에 더 효과적입니다 [60].

---

Last updated: 2026-05-08

🤖 LLM 활용 힌트 (How to Use This Knowledge)

언제 이 지식을 쓰는가:

• (TODO)

언제 쓰면 안 되는가:

• (TODO)

🧪 검증 상태 (Validation)

• 정보 상태: needs_review
• 출처 신뢰도: A
• 검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)

🧬 중복 검사 (Duplicate Check)

• 기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
• 처리 방식: UPDATE (자동 정규화)
• 처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.

🕓 변경 이력 (Changelog)

날짜	변경 내용	처리 방식	신뢰도
2026-05-08	P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화)	UPDATE	A