2nd/10_Wiki/Topics/AI/Prompt-Engineering.md

---

id: prompt-ENG-001 category: "10_Wiki/💡 Topics/AI" confidence_score: 1.0 tags: [ai, prompt-engineering, llm, prompt-design, In-Context-Learning] last_reinforced: 2026-04-26

Prompt Engineering Mastery (프롬프트 엔지니어링)

📌 한 줄 통찰 (The Karpathy Summary)

"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)

• 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: 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)

• In-Context-Learning, LLM, Agentic-Workflow, Zero-Shot-Learning
• Raw Source: 10_Wiki/Topics/AI/Prompt-Engineering.md