프롬프트 엔지니어링 실습실

Q: 같은 요청에 예시 몇 개(Few-shot)를 붙여 주면 답변은 어떻게 될까요?

LLM은 프롬프트 안의 패턴을 즉석에서 흉내 냅니다(문맥 내 학습). 예시 몇 개가 "이런 식으로 답하라"는 사양서 역할을 하므로, 말로 길게 설명하는 것보다 예시 하나가 강할 때가 많습니다. 넘스탯(NumStats)의 브라우저 시뮬레이션에서 직접 실험으로 확인할 수 있습니다.

Q: "단계별로 생각해 보자"(Chain-of-Thought)를 붙이면 복잡한 문제의 정답률이 오르는 이유는?

LLM은 토큰을 생성하며 "생각"합니다. 중간 단계를 쓰게 하면 각 단계가 다음 단계의 문맥이 되어, 암산 대신 필산을 하는 효과가 납니다 — 복잡한 추론일수록 차이가 커집니다. 넘스탯(NumStats)의 브라우저 시뮬레이션에서 직접 실험으로 확인할 수 있습니다.

같은 과제에 네 가지 프롬프트 기법을 적용하며, 입력 설계만으로 응답이 어떻게 달라지는지 비교해 보세요.

원하는 개념·랩·가이드를 검색해보세요

Ctrl K

같은 모델도 프롬프트에 따라 딴사람이 됩니다

LLM의 성능은 모델만큼이나 '어떻게 묻느냐'에 달려 있습니다. 맥락을 더하고, 형식을 지정하고, 예시를 보여주면 같은 모델도 훨씬 나은 답을 냅니다. 프롬프트를 직접 바꿔가며 그 차이를 확인해 보세요.

이 페이지에서 배우고 나면

프롬프트의 맥락·형식·예시가 출력 품질을 어떻게 바꾸는지 직접 확인할 수 있습니다.
예시를 보여주는 few-shot 방식이 왜 효과적인지 관찰할 수 있습니다.
모호한 프롬프트와 구체적인 프롬프트의 결과 차이를 체감할 수 있습니다.

예측 먼저 — 실험 전에 답을 정해 보세요

예측 → 실험 → 확인

정답을 몰라도 괜찮습니다 — 먼저 예측을 정해야 시뮬레이션 결과가 기억에 남습니다. 예측을 고른 뒤 아래 시뮬레이션으로 직접 확인하고, 그다음 결과를 열어 보세요.

1. 같은 요청에 예시 몇 개(Few-shot)를 붙여 주면 답변은 어떻게 될까요?

2. "단계별로 생각해 보자"(Chain-of-Thought)를 붙이면 복잡한 문제의 정답률이 오르는 이유는?

로그인하면 예측 기록이 계정에 저장됩니다

어느 기기에서든 이어서 학습하고, 오답 기반 복습 추천을 받을 수 있습니다.

만 14세 이상이며 이용약관과 개인정보 처리방침에 동의합니다

카카오로 시작하기 네이버로 시작하기 구글로 시작하기

회원가입 절차 없음 — 닉네임만 저장하며, 이메일·연락처는 수집하지 않습니다.

1. 과제 선택

리뷰 감정 분류

수학 문장제

2. 프롬프트 기법 선택

프롬프트 (모델에 넣는 입력)

사과가 23개 있었는데 20개를 쓰고 6개를 더 샀다. 지금 몇 개?

응답 (전형적 결과의 예시)

26개입니다.
(전형적인 오답 예 — 한 번에 답을 내다 중간 계산을 건너뜀)

왜 이런 차이가 날까 — 예시 없이 지시만 전달합니다. 빠르지만, 출력 형식과 판단 기준이 흔들릴 수 있습니다.

응답은 각 기법의 전형적 효과를 보여주는 예시 시뮬레이션입니다. 실제 모델의 출력은 모델·상황에 따라 다릅니다.

직접 확인해 볼 것

수학 문장제에서 Zero-shot 과 CoT 의 응답을 비교하세요 — 중간 단계를 쓰게 하는 것만으로 무엇이 달라지나요?
감정 분류에서 Few-shot 예시가 출력 형식(한 단어)을 어떻게 고정하는지 보세요.
역할+형식 지정의 JSON 출력은 사람이 다듬지 않고 프로그램이 바로 쓸 수 있습니다 — 자동화의 핵심.
네 기법 모두 모델 가중치는 그대로입니다. 바뀐 것은 입력(조건)뿐 — 이것이 프롬프트 엔지니어링의 본질입니다.
실제 LLM(ChatGPT 등)에 같은 프롬프트를 넣어 이 예시와 비교해 보세요.

실측 요약 — 이 실습이 보여주는 것

같은 과제 2가지(리뷰 감정 분류, 수학 문장제)에 Zero-shot·Few-shot·Chain-of-Thought·역할+형식 지정 4가지 기법을 적용해, 프롬프트 구성과 전형적 응답이 어떻게 달라지는지 8가지 조합으로 비교하는 실험입니다(응답은 각 기법의 전형적 효과를 보여주는 예시 시뮬레이션임을 화면에 명시).

수학 문장제 "사과 23개 − 20개 사용 + 6개 구입"의 정답은 23 − 20 + 6 = 9개 — Zero-shot 예시 응답은 중간 계산을 건너뛴 전형적 오답(26개)을 보여주고, CoT는 "단계별로 생각해 보자" 한 줄을 붙여 23−20=3, 3+6=9의 중간 단계를 텍스트로 생성해 정답에 도달한다 (Wei et al. 2022)
감정 분류에서 Few-shot은 "정말 맛있어요 → 긍정, 돈이 아까워요 → 부정" 예시 2개만으로 응답을 "부정" 한 단어로 고정하고, 역할+형식 지정은 {"감정": "부정", "근거": ...} JSON으로 응답해 후처리 없이 프로그램이 바로 쓸 수 있다
네 기법 모두 모델 가중치는 하나도 바꾸지 않는다 — 달라진 것은 입력(조건)뿐이며, 이것이 가중치를 조정하는 파인튜닝과 구분되는 프롬프트 엔지니어링의 정의다

바로잡는 오개념: "'단계별로 생각해 보자'는 모델을 각성시키는 마법의 주문"이라는 착각 — CoT의 실체는 중간 추론을 토큰으로 생성하게 해 각 단계가 다음 단계의 문맥이 되도록 만드는 구조이며, 토큰을 더 쓰는 대가로 여러 단계 추론의 정확성을 사는 것이다.

AI 튜터에게 물어보기

베타

— 정답 대신 힌트로 유도합니다. 지금 화면의 실험 상태를 알고 답해요.

예: “방금 결과가 이론과 다른데 왜죠?”, “이 값을 올렸는데 왜 반대로 변하죠?”

AI 답변은 부정확할 수 있습니다. 핵심 개념은 반드시 시뮬레이션 실측으로 확인하세요. 질문 0/5 · 하루 질문 한도가 있습니다