통계 실험실 차트
넘스탯 로고
넘스탯
LEARN · SIMULATE · VERIFY

확률부터 LLM까지 — 데이터 사이언스 자기주도 학습 플랫폼

로그인
학습 메뉴
도움말
홈

프롬프트 엔지니어링

마일스톤 학습법으로 단계별 완전 정복
딥러닝
프롬프트
Prompt Engineering
Few-shot
Chain-of-Thought
CoT
역할 부여
대규모언어모델
이 개념 직접 실험하기 — 프롬프트 엔지니어링 실습
이 학습을 통해 달성할 수 있는 목표
기초 이해
  • • 프롬프트가 가중치 수정 없이 출력을 바꾸는 원리 이해
  • • Zero-shot 과 Few-shot 의 차이와 예시의 역할 파악
  • • 역할 부여·형식 지정의 효과 이해
심화 학습
  • • Chain-of-Thought 가 추론을 안정시키는 이유 이해
  • • 좋은 프롬프트의 설계 원칙(명확성·맥락·예시·단계·형식) 적용
  • • 환각 등 한계와 검증 습관의 필요성 인식
실무 적용
  • • 문맥 내 학습(in-context learning)의 성격 이해
  • • 프롬프트를 템플릿·평가셋으로 관리하는 실무 방식 파악
  • • 프롬프트·RAG·파인튜닝의 역할 분담과 프롬프트 주입 등 보안 이슈 이해
한눈에 보기

프롬프트 엔지니어링은 모델을 재학습하지 않고 입력(프롬프트)의 설계만으로 원하는 출력을 끌어내는 기법이다.

이 내용은 넘스탯의 프롬프트 엔지니어링 실습에서 직접 실험으로 확인할 수 있습니다.

학습 로드맵

각 단계를 클릭하면 해당 학습 내용을 볼 수 있습니다

기초 이해
개념 정의와 기본 원리
약 25분
클릭
심화 학습
공식 유도와 다양한 예시
약 45분
클릭
실무 적용
실제 케이스와 고급 응용
약 55분

학습 진도 (완료한 단계)

0%

기초 이해: 가중치를 바꾸지 않고 능력을 끌어내기

난이도 2/5
약 25분

프롬프트 엔지니어링은 모델을 다시 학습시키지 않고, 입력(프롬프트)을 잘 설계해 원하는 출력을 끌어내는 기술입니다. LLM 은 "다음 토큰 예측기"이므로, 프롬프트는 곧 예측의 조건입니다 — 조건을 바꾸면 답이 바뀝니다. 예시를 몇 개 보여주는 것만으로 새 작업을 시키는 few-shot 능력은 GPT-3(Brown et al. 2020)에서 확인된 대규모 모델의 핵심 성질입니다.

프롬프트 엔지니어링 — 입력 설계로 출력을 끈다모델을 재학습하지 않고, 프롬프트(역할·예시·질문)만으로 원하는 출력을 유도합니다프롬프트역할: 너는 감정 분류기다예시: "최고예요" → 긍정예시: "별로다" → 부정질문: "그저 그래" → ?예시 몇 개 = few-shotLLM(재학습 없음)중립※ “단계별로 생각하라”(사고사슬, CoT)는 중간 추론을 유도해 산술·논리 정확도↑ · 같은 모델도 프롬프트로 성능이 크게 달라짐
핵심 포인트
  • •Zero-shot: 예시 없이 지시만으로 작업 요청
  • •Few-shot: 예시 몇 개(1~5개면 충분한 경우가 많음)를 프롬프트에 넣어 형식·기준을 보여줌
  • •프롬프트는 예측의 조건 — 모델 가중치는 그대로, 입력만 바뀜
  • •역할 부여: "너는 통계 전문가야" 같은 설정으로 톤·깊이를 조절
  • •출력 형식 명시: 표·JSON 등 형식을 지정하면 후처리가 쉬워짐
간단한 예시

같은 작업, 다른 프롬프트: [Zero-shot] "다음 리뷰의 감정을 분류해줘: 배송이 너무 늦어요" [Few-shot — 예시로 기준과 형식을 보여줌] "리뷰: 정말 맛있어요 → 긍정 리뷰: 돈이 아까워요 → 부정 리뷰: 배송이 너무 늦어요 → ?" Few-shot 은 원하는 출력 형식(한 단어)과 판단 기준을 예시로 전달하므로, 답이 더 일관되게 나옵니다.

이해도 확인하기

정답: 파인튜닝은 모델의 가중치를 바꾸는 추가 학습이고, 프롬프트 엔지니어링은 가중치를 그대로 둔 채 입력만 설계합니다. 그래서 프롬프트는 비용이 거의 없고 즉시 시도할 수 있습니다.

정답: 원하는 출력 형식과 판단 기준입니다. 모델은 예시의 패턴을 이어 가는 방식(다음 토큰 예측)으로 새 입력에도 같은 형식·기준을 적용합니다.

딥러닝 이론 페이지로 돌아가기