프롬프트 엔지니어링 가이드

2025년 4월 openAI에서 공식적으로 프롬프트 엔지니어링에 관한 academy를 오픈하였고, 구글에서는 프롬프트 엔지니어링에 관한 가이드라인을 제시한 바 있다. 이번 시간에는 이와 같은 자료들을 기반으로 실전 중심의 프롬프트 엔지니어링 가이드를 총정리해보고자 한다. 이 문서에서는 2025년 4월 14일에 공개된 작성 시점에서 최신인 GPT-4.1 모델을 활용해 독창적인 세계관을 가진 AI 캐릭터를 만드는 예제를 다뤄보고자 한다. 효과적인 프롬프트 작성과 모델 설정을 통해 원하는 성격과 말투로 일관된 응답을 목표로 최선의 프롬프트를 도출해보고자 한다. 이를 위해 아래에서는 LLM 출력 구성, 프롬프트 기법, 프롬프트 엔지니어링 실전 팁, 그리고 시나리오 예제를 차례로 소개한다.
GPT-4.1이 아니더라도 LLM에 공통적으로 활용되는 프롬프팅 기술이 소개되어 있으니 프롬프트 엔지니어링에 도움이 되길 바란다.

Contents

LLM 출력 구성 (LLM Output Configuration)
프롬프트 기법 전반 (Prompting Techniques)
프롬프트 엔지니어링 실전 팁
실전 예제: GPT-4.1을 이용한 AI 캐릭터 시나리오
1. 캐릭터 설정
2. 시나리오 예시 대화

LLM 출력 구성 (LLM Output Configuration)

AI 모델의 출력 형식을 원하는 대로 조율하려면 프롬프트 설계와 함께 LLM의 출력 설정도 중요하다. 출력 길이 제한, 샘플링 매개변수(예: Temperature, Top-K, Top-P), 반복 억제 설정 등을 적절히 조정하면 모델의 응답 스타일과 질을 통제할 수 있다. 이 섹션에서는 API를 이용해서 LLM을 활용할 때 조절할 수 있는 출력 구성에 대해 다뤄볼 것이다.

출력 길이 설정 (Output Length)

LLM의 출력 길이는 응답이 생성되는 최대 토큰 수를 의미한다. 이를 통해 응답이 너무 길거나 산만해지는 것을 방지할 수 있다. 예를 들어 OpenAI API의 max_tokens 파라미터나 Playground의 Maximum Length 설정으로 응답 길이를 제한하면, 모델이 해당 토큰 수에 도달하면 출력을 중단한다. 출력 길이를 제한하면 모델이 무제한으로 장황하게 이야기하는 것을 막아 불필요한 내용 생성이나 비용을 줄일 수 있다.

또한 Stop Sequences를 활용하여 특정 토큰(문자열)이 나오면 출력이 끝나도록 지정할 수 있다. 예를 들어 이메일 초안을 생성하는 프롬프트의 경우 "Best regards,"를 stop 시퀀스로 설정하면, 모델이 해당 문구 전에 작성을 멈춰 정해진 형식 이후로 불필요한 문장을 내놓지 않게 할 수 있다. 이처럼 출력 길이와 중지 조건을 명확히 설정하면 응답의 형식과 완결성을 높일 수 있다.

샘플링 및 무작위성 제어 (Temperature, Top-k, Top-p 등)

샘플링 설정은 출력의 무작위성과 다양성을 조절한다. 대표적인 매개변수로 Temperature, Top-K, Top-P (넥서스 샘플링) 등이 있다.

Temperature(온도): 0에서 2 사이 값을 갖고, 출력의 무작위성(창의성)을 조절한다. 낮은 온도(예: 0.2)는 모델이 가장 가능성 높은 응답을 택하도록 하여 출력이 보수적이고 일관되게 나오고, 높은 온도(예: 0.8)는 덜 확률적인 단어도 선택함으로써 보다 풍부하고 창의적인 응답을 만든다. 기본값은 1.0이며, 일반적으로 정확한 답변이 필요한 작업에는 낮은 온도(0에 가까운 값, 이때 greedy decoding과 유사)를, 창의적인 글쓰기에는 다소 높은 온도(0.7~0.9)를 사용한다. 온도를 너무 높이면 터무니없는 출력이 나올 수 있으므로 적절한 범위를 유지해야 한다.
Top-K 샘플링: 매 스텝마다 확률이 가장 높은 상위 K개의 후보만 고려하여 그 중에서 다음 토큰을 샘플링한다. 예를 들어 Top-K=50으로 설정하면 모델은 각 단계에서 확률 상위 50개 후보 내에서만 단어를 골라 생성한다. 이를 통해 보다 예측 가능한 분포 내에서 변주를 주어 결과를 통제된 환경에서 얻을 수 있다. Top-K를 너무 낮게 잡으면 반복적이고 편향된 출력이 될 수 있고, 너무 높게 잡으면 효과가 없으므로 적절한 K값을 선택한다 (모델과 작업에 따라 수십~수백 정도가 흔함).
Top-P (누클리어스) 샘플링: 누적 확률 질량이 상위 p 비율에 속하는 후보들만 고려하도록 설정한다. 예를 들어 Top-P=0.9로 하면, 누적 확률 90%를 채울 때까지의 단어들만 후보로 삼고 그중에서 샘플링한다. Top-P는 분포의 절대 확률값 기반으로 동적으로 후보 개수를 정하기 때문에, 고정 개수인 Top-K보다 문맥에 맞게 다양성을 조절한다. Top-P=1.0이면 모든 단어 (제한 없음)을 고려하므로 사실상 샘플링 제한을 두지 않는 것이고, 0.1이면 상위 10% 확률 질량 내 단어만 사용하므로 매우 보수적인 생성이 된다.

참고: Top-K는 고정된 후보 개수로 무작위성을 제어하는 반면, Top-P는 확률 질량 누적으로 가변적인 후보 풀이 결정되므로 상황에 따라 다른 수준의 다양성을 부여하는 방법이다. 두 방법은 함께 쓰이기도 하지만, 일반적으로 하나만 조정해도 충분하다.

이러한 샘플링 매개변수를 조합하여 사용할 때 창의성과 정확성 사이의 균형을 맞출 수 있다. 예를 들어, GPT-4.1을 사용할 때 기본 설정으로 temperature=0.7과 top_p=1 (제한 없음) 조합이 많이 활용된다. 이는 대체로 안정적인 품질의 응답을 제공하면서도 약간의 창의성을 부여하는 조합이다. 반대로 매우 결정적이고 재현성 있는 응답이 필요하면 temperature=0에 가깝게 하고 (또는 비샘플링 모드로서), top_p를 1로 유지하여 Greedy decoding에 준하는 출력을 얻을 수 있다.

설정 조합의 효과 및 루프 방지

샘플링 설정을 어떻게 조합하는가에 따라 출력 양상이 크게 달라진다. 일반적인 권장 사항은 온도(Temperature)와 누클리어스 확률(Top-P)를 동시에 극단적으로 낮추지 않는 것이다. 둘 다 낮추면 모델이 매우 한정된 단어만 사용해 응답하므로 자칫하면 루프에 빠질 수 있다. 예를 들어 temperature=0.2에 top_p=0.2 같이 설정하면 모델이 계속 같은 어구를 반복하거나 부자연스럽게 굳어버릴 위험이 있다. 대개는 이들 중 하나만 조정하고 다른 하나는 기본값으로 두는 것이 안정적이다 . 실제로 OpenAI 가이드에 따르면, 한 파라미터(예: 온도)는 조절하되 다른 하나(top_p)는 기본값(1.0)에 두는 방식이 추천된다. 이렇게 하면 모델 출력을 제어하면서도 표현력은 유지할 수 있다.

또한 루프를 방지하기 위해 OpenAI API 등이 제공하는 패널티 매개변수를 활용할 수 있다.

Frequency Penalty (빈도 패널티): 생성 중에 이미 나온 단어를 반복해서 사용할수록 불이익을 주어, 동일한 어휘 남용을 막는다.
Presence Penalty (존재 패널티): 한 번이라도 등장한 단어라면 다음에 나올 확률을 낮추는 방식으로 중복을 억제한다.

이러한 패널티 값을 높이면 모델이 똑같은 문장이나 단어를 여러 번 내뱉는 현상을 줄여준다. 특히 캐릭터 대화를 디자인할 때 같은 catchphrase를 무한 반복한다거나, 응답이 빙빙 도는 문제를 겪을 경우, presence 페널티 등을 약간 올려주면 개선되는 경우가 많다. 단, 페널티를 너무 강하게 주면 맥락상 필요한 단어까지 회피하여 어색한 문장이 될 수 있으므로 적절한 값 (예: 0.5 ~ 1.0 사이)을 찾는 것이 중요하다.

마지막으로, 반복 방지를 위해 프롬프트 자체에서도 지침을 줄 수 있다. 예를 들어 "같은 문장을 반복하지 마세요.", "이전에 언급한 내용을 재차 나열하지 마십시오." 같은 지시를 시스템 메시지에 넣어두면 모델이 루프에 빠지는 것을 어느 정도 막을 수 있다. 이러한 설정 조합과 지침을 통해 모델이 일관되면서도 지루하지 않게 응답하도록 튜닝할 수 있다.

프롬프트 기법 전반 (Prompting Techniques)

프롬프트 엔지니어링에서는 어떤 방식으로 질문이나 지시를 구성하는지가 결과에 큰 영향을 준다. 이번 섹션에서는 기본적인 프롬프트 구성 방식부터 고급 기법까지 폭넓게 살펴보고자 한다. 각 기법은 원하는 출력 스타일이나 문제 유형에 맞춰 활용할 수 있다.

Zero-shot, One-shot, Few-shot 프롬프팅

Zero-shot 프롬프팅: 예시 없이 바로 지시나 질문만을 제공하는 방법이다. 모델이 사전에 훈련된 지식에 기반해 바로 답하도록 하는 것으로, 가장 간단한 형태의 프롬프트이다. 예를 들어 “이 문장을 영어로 번역해줘.” 처럼 질문만 하면 모델은 맥락 없이도 알아서 답을 생성한다. Zero-shot은 추가 학습 없이 모델의 일반화 능력에 기대는 방법으로, 요구 형식에 대한 예시가 없기 때문에 모델이 스스로 양식을 유추해야 한다. 적절한 지시만 있다면 간결하게 쓸 수 있지만, 모델이 혼동할 수 있는 작업이나 포맷이라면 성능이 떨어질 수 있다.
One-shot 프롬프팅: 예시를 한 개만 제공하여 모델이 답안을 추론하도록 한다. 질문-대답 쌍 혹은 작업 예시 하나를 보여준 뒤 유사한 새로운 질문을 제시하는 방식이다. 예를 들어 "Q: 2+2= ? A: 4"라는 한 가지 예시를 보여준 뒤 "Q: 3+5 = ?"를 물어보는 식이다. One-shot은 zero-shot에 비해 모델이 출력 형식을 더 쉽게 파악할 수 있어 유리하다. 또한 하나의 참고 예시로 약간의 맥락을 제공함으로써 모델이 출력해야 할 방향을 잡도록 돕는다. 다만 예시 하나로 충분하지 않을 때도 있고, 토큰을 추가로 사용한다는 점을 고려해야 한다.
Few-shot 프롬프팅: 여러 개의 예시(few examples)를 프롬프트에 포함시켜 모델이 패턴을 학습하도록 유도하는 방법이다. 예컨대 고객 문의에 답변하는 챗봇을 만든다면, 질문-답변 쌍을 35개 나열한 후 새로운 질문에 답하도록 모델에 지시할 수 있다. Few-shot 프롬프팅은 모델에게 작업에 대한 명확한 레퍼런스를 주기 때문에 응답 품질을 크게 높일 수 있다. 특히 GPT-4 계열 모델은 컨텍스트 학습 능력이 뛰어나서, 적절한 예시를 충분히 주면 zero-shot보다 훨씬 정확하고 일관된 출력을 내놓는다. 단점은 프롬프트 길이가 길어져 토큰 비용이 증가하고, 예시 선택에 따라 모델 편향이 생길 수도 있다는 점이다. 또한 너무 많은 예시를 주면 오히려 혼란이 올 수 있으므로 35개 정도의 핵심 사례를 쓰는 것이 일반적이다.

시스템, 컨텍스트, 역할 프롬프팅 (System, Contextual, Role Prompting)

프롬프트 내용은 어떤 역할로 제시되느냐에 따라 모델의 이해가 달라진다. OpenAI ChatGPT API 등에서는 시스템(System), 사용자(User), 어시스턴트(Assistant) 메시지로 역할을 구분하며, 여기에 컨텍스트(Context)나 역할(Role) 지시를 담아낼 수 있다.

시스템 프롬프트: 대화형 LLM에서 시스템 역할로 전달되는 메시지로, 모델의 전체적인 거동을 통제하는 데 사용된다. 예를 들어 시스템 프롬프트에 "당신은 친절하고 상세한 설명을 해주는 AI 조교입니다."라고 명시하면, 이후 모든 응답에서 해당 지침을 따르게 된다. 시스템 프롬프트는 일종의 전역 규칙으로 작용하며, 캐릭터의 성격이나 말투, 금지어 등을 설정할 때 유용하다. 실제로 "You are an enthusiastic biology teacher named Thomas. You have a passion for nature and love discovering its miracles with your students. Your communication style is friendly and informative."라는 시스템 프롬프트를 주면, 모델은 이후 질문에 답할 때 Thomas라는 페르소나에 맞춰 일관된 톤을 유지한다. 시스템 프롬프트는 한번 설정해두면 사용자가 다른 질문을 해도 유지되므로, 세계관을 가진 AI 캐릭터를 구현하는데 필수적이다.
컨텍스트 프롬프팅 (Contextual Prompting): 모델에게 추가 맥락이나 지식을 텍스트로 제공하는 기법이다. 예를 들어 사용자의 질문에 앞서 관련 배경지식을 프롬프트에 포함시키면, 모델은 그 정보를 참고하여 답변한다. 일종의 조건부 프롬프트로서, 모델이 응답을 생성할 때 주어진 컨텍스트를 기억하고 활용하게 한다. 예를 들어 "다음은 세계 대전 연대표입니다: ... 이 정보를 참고하여 질문에 답하세요."와 같이 컨텍스트를 주면, 모델이 사실관계를 더 잘 맞출 수 있다. 컨텍스트 프롬프팅은 자료가 최신이 아니거나 특정 지식을 확실히 전달해야 할 때 유용하다. 또한 이전 대화 내용을 기억시켜 일관성 있는 대화를 이어가게 할 수도 있다 (이때는 이전 메시지를 프롬프트 맥락으로 포함).
역할 프롬프팅 (Role Prompting): 모델에게 특정 인물이나 직업, 스타일의 역할을 부여하는 방법이다. 이는 종종 시스템 프롬프트나 사용자 프롬프트에서 "~인 척 하여 응답하기" 형태로 나타난다. 예를 들어 "당신은 역사학자입니다. 산업혁명의 의의를 설명해주세요."라고 프롬프트하면 모델은 스스로를 역사학자로 인식하고 그 관점에서 답변한다. 역할 프롬프팅은 응답의 어조와 내용 범위를 해당 역할에 맞게 최적화한다. 다양한 역할을 설정함으로써 같은 질문에도 전혀 다른 스타일의 대답을 얻을 수 있다. 예를 들어 의사 역할을 주면 전문적이고 조심스러운 답변을, 코미디언 역할을 주면 유머러스한 답변을 기대할 수 있다. 역할 프롬프트는 캐릭터 AI를 만들 때 핵심 요소로, 잘 설계하면 모델이 지속적으로 캐릭터성을 유지하도록 한다. 다만, 역할을 부여할 때 편향이나 고정관념이 강화될 수 있으므로 (예: 특정 직업에 대한 고정된 말투) 유념해야 한다.

팁: 역할 프롬프트는 시스템 메시지에 쓰거나, 사용자 메시지의 일환으로 "지금부터 당신은 ~~처럼 행동합니다..."라고 명시해도 된다. 다만 OpenAI 정책상 실제 존재 인물로 가장하는 것은 제한되므로, 창작 캐릭터나 일반적인 직업 역할을 활용해야 한다. 또한 캐릭터의 말투를 과장되게 원하면 구체적으로 명시하고, 아닐 경우 "너무 과장되지 않게" 등의 제한도 함께 주면 좋다.

CoT 및 자기 일관성 (Chain-of-Thought & Self-Consistency)

보다 복잡한 추론이 필요한 문제에는 Chain-of-Thought(CoT) 기법이 효과적이다. CoT 프롬프팅은 AI에게 중간 추론 단계를 스스로 만들어내도록 유도하여, 마치 인간이 문제를 풀듯이 단계별 사고 과정을 거친 후 답을 내놓게 하는 전략이다. 한마디로 “생각을 글로 쓰면서 풀어나가라”고 지시하는 것과 같다. 예를 들어 산수를 잘 못하는 모델에게 바로 답만 요구하는 대신 "문제를 풀기 전에 단계별로 생각을 적어봐"라고 하면, 모델이 풀이 과정을 거쳐 더 정확한 답을 낼 수 있다.

CoT의 효과는 이미 연구를 통해 입증되었다. Chain-of-Thought 프롬프팅은 복잡한 문제를 더 작은 단계로 분해하여 해결하도록 돕는 기법으로, AI의 추론 능력을 향상시켜 수학, 과학, 논리 문제에서 더 좋은 성능을 보인다. CoT를 통해 모델은 세부적인 추론 경로를 생성하여 더 나은 결과를 도출하고, 구조적인 문제 해결이 필요한 작업에서 신뢰도를 높일 수 있다. 쉽게 말해, 정답만 뚝 떨구는 대신 과정 설명을 함께 하게 함으로써 모델이 논리적 검증을 거치게 하는 것이다.

CoT 프롬프트를 작성하는 방법은 크게 두 가지다. Few-shot CoT는 CoT의 대표적인 방식으로, 먼저 예시들에서 질문과 그에 대한 사고과정+답안을 보여준 뒤 새로운 질문을 던진다.

예를 들어:

Q: 철수와 영희에게 사과 5개를 똑같이 나누어주면 몇 개씩 갖게 되나요?
A: (생각) 사과 5개를 두 사람이 똑같이 나누면 한 사람당 2개씩 주고 1개가 남는다. 남은 1개는 나누어 줄 수 없다.
답: 2개
---
Q: 민수, 지혜, 영수 3명이 피자를 12조각 나눠먹으려 한다. 한 사람당 몇 조각씩 먹을 수 있을까?
A: (생각)

이런 식으로 프롬프트를 구성하면 모델이 (생각) 부분에 먼저 중간 추론을 작성하고 최종 답을 산출하게 된다. 만약 Zero-shot CoT로 하고 싶다면, 별도 예시 없이 사용자 프롬프트에 바로 "천천히 생각해 보고 단계별로 풀이 과정을 설명하세요."라고 명시하면 된다. GPT-4급 모델은 이런 지시만으로도 즉석에서 사고를 전개하는 능력이 뛰어나다고 한다.

CoT를 활용할 때 추가로 고려할 점은 “자기 일관성(Self-Consistency)” 기법이다. 자기 일관성은 Wang et al. (2022)이 제안한 것으로, CoT의 디코딩 전략을 보강하여 여러 가지 추론 경로를 탐색한 뒤 그 중 가장 일관된 답을 고르는 방법이다. 요약하면, 한 번의 CoT 실행에 의존하는 대신 여러 번 모델로 하여금 생각하게 한 후 가장 많이 도출된 결론이나 다수결 결과를 최종 답으로 삼는 것이다. 이렇게 하면 단일 경로에서 발생할 수 있는 실수를 줄이고 정확도를 높일 수 있다.

자기 일관성 기법을 실전에서 사용하려면, 예를 들어 동일한 CoT 프롬프트를 5회 정도 모델에 돌려서 5개의 풀이+답안을 얻은 뒤, 그중 최다표 답을 취하는 방식이 있다. 위 연구에 따르면 이 접근이 기존 CoT보다 정답률을 향상시켰다고 한다. 결국 Self-Consistency는 CoT의 앙상블이라고 볼 수 있으며, 중요한 문제에서는 이런 다중 생성 & 투표 방식을 고려해볼 만하다.

Step-Back 프롬프팅 (Step-Back Prompting)

Step-Back Prompting by Deepmind

스텝-백 프롬프팅은 2023년경 소개된 새로운 접근으로, 문제를 바로 풀기보다 한 단계 추상화해서 접근하도록 모델을 유도하는 기법이다. 복잡한 질문에 직접 답변을 시도하면 헤매기 쉬우므로, 우선 질문의 핵심 개념이나 전제를 모델이 먼저 도출하게 한 다음, 그것을 바탕으로 최종 답변을 구하는 2단계 방법이다. 이를테면 "1단계: 문제를 한 걸음 물러나서 바라보고, 핵심 개념이나 일반 원리를 서술하라. 2단계: 그 원리를 적용해 원래 질문에 답하라."고 지시하는 식이다.

예를 들어, 질문이 "이상기체 법칙 PV=nRT에서 온도가 2배, 부피가 8배로 증가하면 압력은 어떻게 변하는가?" 라고 하자. Step-Back 프롬프팅에서는 먼저 모델에게 "이 문제에 관련된 근본 원리나 개념은 무엇인가?"를 생각하게 한다. 모델은 아마 이상기체 법칙 자체를 식으로 언급하며 원리를 설명할 것이다. 실제 예시에서 모델은 1단계 응답으로 "이상기체 법칙 PV = nRT..."를 식과 함께 알려주었다. 그런 다음 2단계로 "이 원리를 적용해서 문제를 풀어보라"고 하면, 앞서 추상화한 공식을 활용하여 답을 계산하게 된다. 이 과정에서 모델은 압력이 1/4로 줄어든다는 최종 결론을 이끌어냈다.

Step-Back 기법은 특히 지식 검색이 필요한 질문이나 수차례 추론 단계를 거쳐야 하는 문제에서 효과적이다. 복잡한 문제를 바로 풀라고 하기보다, "한발 물러나 근본부터 생각하게 하라"는 접근이다. DeepMind 연구에서는 이 방법이 CoT나 "Let’s think step by step" 같은 기존 기법보다 높은 정답률을 보였다고 하며, 물리·화학 문제, 상식 QA 등에서 7~27% 성능 향상이 있었다고 한다.

요약하면, Step-Back 프롬프팅은 추론 전에 개념 정리 단계를 추가함으로써 모델이 맥락과 원리를 확실히 짚고 넘어가도록 만드는 기법이다. 캐릭터 AI보다는 복잡한 수과학 질문 대응에 가깝지만, 예를 들어 세계관이 복잡한 캐릭터라면 중요한 질문에 답하기 전에 세계관의 원칙을 한 번 확인하는 식으로 응용할 수도 있을 것이다.

Tree of Thoughts(ToT) 기법

Compare previous methods and ToT

고차원적인 문제 해결을 위해 2023년에 제안된 사고의 나무(Tree of Thoughts, ToT) 기법은 기존 CoT를 확장하여 여러 갈래의 추론 경로를 모색하는 프레임워크다. CoT가 단순히 하나의 선형적인 생각 사슬을 따르는 반면, ToT는 분기(branching)를 도입한다. 사람도 어려운 문제를 풀 때 다양한 가설을 세워보고 하나씩 검토하듯이, ToT는 모델이 생각의 나무 구조를 만들어 여러 방향으로 사고를 전개하고 평가하도록 한다.

ToT의 작동 방식은 다음과 같다:

우선 문제를 해결하기 위한 중간 '생각(thought)' 단위를 정의하고, 한 단계에서 나올 수 있는 여러 아이디어를 모두 생성한다. 그런 다음 각 아이디어를 모델이 스스로 평가하거나 주어진 평가 함수를 통해 괜찮은지/가능한지 판단한다. 그리고 유망한 가지(branch)들만 선택하여 다음 단계로 확장한다. 이렇게 탐색과 평가를 반복하며 마침내 해결에 이르는 경로를 찾는다. 이를 구현하려면 BFS/DFS 같은 탐색 알고리즘과 모델의 평가능력을 조합하는데, 쉽게 말해 CoT가 한 줄로 생각한다면, ToT는 생각의 숲을 이루고 그중 좋은 길을 고르는 셈이다. 이처럼 ToT는 일종의 트리 탐색이며, 여러 아이디어를 동시에 펼쳐서 시도해볼 수 있기 때문에 난해한 퍼즐이나 창의적 문제 해결에 효과적이다.

물론 ToT는 구현 난이도가 높다. 프롬프트 수준에서 간단히 하기보다는, 외부 툴이나 추가 코드가 필요할 수 있다. 예를 들어 한 스텝마다 파이썬으로 후보를 모두 받아와 점수를 매긴 뒤, 상위 몇 개만 다음 질문의 조건으로 넣어 모델을 다시 호출하는 식으로 진행한다. OpenAI API만으로 한다면 여러 차례 API 호출과 가지치기 로직이 필요하다. 하지만 그만큼 성능 향상 잠재력이 커서, 초기 연구 결과 CoT나 ReAct보다도 뛰어난 성능을 보였다고 한다. ToT 아이디어는 앞으로 프롬프트 엔지니어링이 나아갈 한 방향으로 평가받고 있다.

캐릭터 AI 맥락에서는 ToT를 직접 쓸 일은 드물지만, 예를 들어 스토리 창작 캐릭터라면 다음 전개를 여러 갈래로 상상해보고 가장 흥미로운 것을 고르는 등으로 활용 가능할 것 같다. 다만 일반 QA나 일관성있는 캐릭터 답변에서는 과한 접근일 수 있다. (복잡한 수과학 문제 해결에 적합)

ReAct 프롬프팅 (Reason + Act)

Compare 3 prompting methods and ReAct

ReAct는 Reasoning과 Acting을 결합한 프롬프팅 기법으로, 모델이 생각(추론)과 행동(액션)을 교대로 수행하도록 유도한다. 이는 주로 도구 사용이나 외부 지식 검색이 필요한 상황에서 활용되는 방법으로, 모델이 자체적으로 "무엇을 알아내야 하지?"라고 생각한 뒤, "그렇다면 검색을 해보자"는 식으로 행동 지시를 출력하게 한다. 그 행동의 결과(예: 검색 결과)를 다시 프롬프트에 넣으면, 모델은 거기에 기반해 또다시 추론하고 다음 행동을 결정한다. 이렇게 Thought→Action→Observation의 사이클을 거쳐 최종 답을 찾아가는 구조가 ReAct이다.

ReAct 프롬프트의 예를 간단히 보면 다음과 같다:

질문: "콜로라도 조산의 동부 단층이 뻗어있는 지역의 해발고도 범위는?"
---
생각 1: 먼저 '콜로라도 조산 동부 단층'이 어디까지 뻗어있는지 알아내야겠다.
행동 1: [검색] "콜로라도 조산 동부 단층 지역"
관찰 1: ... (검색 결과 요약) "콜로라도 조산은 콜로라도 및 주변 지역에서 일어난 조산 운동..."
생각 2: 결과에 동부 단층 언급은 없으니 '동부 단층'을 찾아봐야겠다.
행동 2: [검색] "콜로라도 조산 동부 단층 High Plains"
관찰 2: ... "동부 단층은 High Plains(대평원)으로 이어진다."
생각 3: 동부 단층이 High Plains로 이어지니 이제 High Plains의 고도 범위를 찾자.
행동 3: [검색] "High Plains elevation range"
관찰 3: ... "High Plains의 해발고도는 대략 1,800~7,000 피트이다."
생각 4: 해발 1,800~7,000ft라고 나왔으니 답을 말하면 되겠다.
행동 4: [응답] "해발 약 1,800피트에서 7,000피트 사이입니다."

위 시나리오처럼 ReAct 방식에서는 모델이 스스로 다음에 할 행동을 텍스트로 내보내고, 개발자는 그 행동(예: 검색)을 실제 수행한 결과를 다시 모델에게 제공하여, 모델이 이어서 추론하게 만든다. 이를 통해 모델은 마치 문제를 해결하는 에이전트처럼 동작하게 되며, 복잡한 질문도 한 번에 답하려고 애쓰기보다 필요한 정보를 단계별로 수집하고 추론하게 된다.

ReAct의 장점은, 모델이 행동을 통해 외부 지식을 얻을 수 있으므로 환각(hallucination)을 줄이고 정확도를 높일 수 있다는 것이다. 결국 모델이 머릿속으로만 고민하는 게 아니라, Agent로서 외부 환경에 동적으로 상호작용할 수 있도록 한다.

ReAct를 프롬프트 수준에서 구현하려면 few-shot으로 생각/행동/관찰/응답 포맷의 예시를 보여준 후, 새로운 문제를 주는 식으로 한다. GPT-4 정도면 이 포맷을 잘 따라하지만, 정확한 행동(ex. 검색 쿼리)을 항상 보장할 순 없다. 요즘에는 LangChain 같은 프레임워크에서 ReAct 스타일 에이전트를 구성하기 쉽게 도와주므로, 프롬프트 엔지니어는 예시 설계에 집중하면 된다.

참고: ReAct는 강력하지만, OpenAI의 GPT-4를 직접 사용할 때는 모델에게 웹검색 같은 실제 행동 권한은 없으므로, 행동 출력을 받아 사람이 수동으로 처리하거나, 혹은 플러그인/툴 사용을 전제해야 한다. 그 점을 제외하면, 캐릭터 AI에서도 ReAct 패턴을 약간 변형해 쓸 수 있다. 예를 들어 캐릭터가 모르는 정보는 "모름 → 자료 조사" 후 알려주는 식의 역할극을 할 수도 있다. 다만 일반적인 캐릭터 응답에는 보통 CoT 정도까지만 활용해도 충분하다.

프롬프트 엔지니어링 실전 팁

앞서 살펴본 개념들을 토대로, 이번 섹션에서는 실제 GPT-4.1 모델을 활용해 특정 세계관을 지닌 AI 캐릭터를 설계할 때 유용한 팁을 정리해 보았다. 프롬프트 엔지니어링은 많은 시도와 실험이 필요하지만, 아래 원칙들을 참고하면 효율적으로 원하는 결과에 다가갈 수 있을 것이다.

GPT-4.1 모델 설정 추천값 및 조합

GPT-4.1을 사용할 때는 모델 설정(파라미터)을 적절히 조합하는 것이 중요하다. 기본적으로 OpenAI의 권장 설정을 토대로 하되, 캐릭터의 목적과 개성에 맞게 미세 조정다:

온도(Temperature): 캐릭터의 창의적 요소를 조정한다. 독창적인 성격의 캐릭터라면 temperature를 약간 높여 0.7 ~ 0.9 정도로 두는 것을 권장한다. 이 범위에서 모델은 답변 어조나 내용에 다양성을 보여 캐릭터가 더욱 생동감 있어진다. 반면 캐릭터가 매우 논리적이고 엄격한 설정이라면 0.3 ~ 0.5로 낮춰 일관성 있는 톤을 유지하게 할 수 있다. (예: 엄격한 교수 캐릭터는 낮은 온도로 정확한 답변을 추구)
Top-P: 특별한 이유가 없으면 기본값 1.0을 유지하는 것이 무난하다. 대부분의 경우 Temperature만으로도 충분하고, 필요 시 Top-P만 조절하고 Temperature=1로 둘 수도 있다. 예를 들어 대본 작성 캐릭터에게 정말 엉뚱한 발상을 얻고 싶다면 Top-P를 0.8 정도로 낮춰 덜 확률적인 아이디어를 포함시킬 수 있다. 하지만 일반적인 대화 캐릭터라면 Top-P=1.0이 안전하다.
반복 페널티: 캐릭터가 같은 말버릇을 계속 반복하거나, 이전 답변과 비슷한 문장을 재사용하는 것을 막고 싶다면 presence_penalty나 frequency_penalty를 0.5~1.0 정도로 부여해보자. 예를 들어 AI 캐릭터가 매 답변 시작마다 "안녕하세요!"를 반복한다면 페널티를 줘서 빈도를 줄인다. 다만 페널티 값이 너무 크면 말투 자체의 일관성이 깨질 수 있으니 적정 선을 찾아야 한다.
응답 길이 제한: 캐릭터 설정상 장황하게 설명하는 타입이라 해도, max_tokens를 제한하여 한 응답이 너무 길지 않게 하는 것이 좋다 (예: 256 또는 512 정도). 필요하면 사용자 프롬프트에서 "간결히 답변해"라고 요구하는 대신, 시스템 프롬프트에서 길이 지침을 줄 수 있다. 예: "한 번의 응답은 3문단을 넘지 않도록 하라." 이렇게 하면 캐릭터 성격은 유지하되 분량을 통제할 수 있다.
Stop 시퀀스: 대화 형태에서는 보통 stop=["\nUser:", "\nuser:"] 등으로 사용자 발언 프롬프트 표시에서 모델이 멈추게 할 수 있다. 혹은 특정 캐릭터 말투에서 끝맺음 문구가 있다면 그것을 stop으로 지정하여 그 뒤는 생성되지 않도록 할 수도 있다.

요컨대, 창의성 vs 안정성, 일관성 vs 다양성 사이에서 적절한 값을 골라야 한다. 처음엔 기본값 (온도 1.0, Top-P 1.0 등)으로 시작하고, 캐릭터 답변을 보며 너무 밋밋하면 온도를 올리고, 너무 산만하면 내리는 식으로 iterative tuning을 하는 것이 좋다. 특히 GPT-4.1은 기본적으로 매우 똑똑하고 조리 있게 답하기 때문에, 캐릭터화할 때 약간의 무작위성 부여가 매력을 살리는 데 도움이 된다.

세계관 반영한 시스템/컨텍스트/역할 프롬프트 설계

캐릭터의 세계관과 성격을 프롬프트에 녹여내는 것이 가장 중요한 부분이다. 이를 위해 시스템 프롬프트에 상세 설정을 기술하고, 필요하면 추가 컨텍스트를 제공한다:

시스템 프롬프트에 세계관 서술: 캐릭터의 배경 이야기, 신념, 말투를 서너 문장으로 요약하여 적는다. 예를 들어 "당신은 22세기 우주 식민지에서 온 AI 역사학자입니다. 인간의 과거 문명을 동경하며, 고풍스럽고 격조 높은 말투로 말합니다. 기술 발전에 대해 낙관적이며 항상 희망적인 관점을 제시합니다." 와 같이 쓰면, 모델은 이 정보를 토대로 매 응답에 해당 분위기를 반영한다. 이때 구체적인 키워드(시대, 직업, 성격 형용사, 말투 묘사 등), 숫자나 고유명사를 넣어주면 더욱 선명한 개성을 얻을 수 있다.
역할 프롬프트의 활용: 시스템 프롬프트 외에도, 대화 시작 시 사용자에게 역할 지시를 넣어두어도 좋다. 예를 들어 사용자가 USER 메시지로 "너는 이제부터 19세기 빅토리아 시대 신사처럼 말하는 AI야."라고 먼저 말하고 대화를 시작할 수도 있다. 다만 이 방식은 사용자 메시지를 첫 턴에 소모해야 하므로, 가급적 시스템 메시지를 활용하는 편이 낫다. OpenAI API를 직접 쓴다면 messages=[{"role":"system", "content": ...}, {"role":"user","content": 질문}] 형태로 보내도록 설계한다.
컨텍스트 프롬프트로 세계관 정보 제공: 캐릭터의 세계관이 매우 방대하고 세부 설정(일종의 설정집)이 있다면, 그 정보를 요약해서 컨텍스트로 제공할 수 있다. 예를 들어 판타지 세계관의 AI 마법사 캐릭터라면 "배경: 이 AI는 드래곤이 지배하는 세계에 살고 있다..." 식으로 필요한 세계 정보와 캐릭터 개인사를 서술해 주면, 모델이 답변할 때 일관성을 유지하기 쉽다. 단, 이 컨텍스트 부분이 너무 길면 매 답변마다 포함하기 어렵고, 또 사용자가 모르는 정보를 캐릭터가 자꾸 언급하는 부작용이 생길 수 있어 최소한의 핵심만 포함하는 것이 좋다.
금지사항과 허용 범위 명시: 캐릭터에 따라 어떤 말은 절대 안 한다거나, 특정 주제에 대해 모른다고 설정할 수도 있다. 이때 시스템 프롬프트에 "이 캐릭터는 폭력적인 언사를 절대 사용하지 않는다.", "의학적 조언은 자신의 전문 분야가 아님을 밝히고 피한다."와 같이 제한 규칙을 함께 써두어라. 특히 RPG 캐릭터 등의 경우 사용자가 캐릭터성에 어긋나는 요구를 할 수 있는데, 이러한 탈선 상황에 대한 대처도 지침으로 주면 모델이 더 안정적으로 연기한다.
스타일과 어조에 대한 세밀한 지시: "격식을 차린 문어체로 대답", "항상 존칭 사용", "가볍고 유머러스하게 말함" 등 원하는 말투를 분명히 적는다. 가능하면 예문을 하나 제시하는 것도 좋다. 예를 들어 "말투 예시: '저는 그것에 동의하지 않습니다만, 설명해 드리겠습니다...'"처럼 한 문장을 직접 써주면 모델이 어투를 더 정확히 잡는다. 또한 캐릭터의 구어 습관(감탄사, 웃음 등)도 기술하면 더욱 현실감이 생긴다. 예: "이 캐릭터는 긴장하면 '흠, 그렇군'이라는 말을 자주 한다."

이러한 프롬프트 설계는 캐릭터 AI의 성패를 좌우한다. 특히 GPT-4.1은 주어진 역할과 지침을 비교적 충실히 따르는 편이므로, 초반에 세계관을 잘 심어놓으면 이후 추가 지시 없이도 알아서 설정에 맞는 답변을 이어갈 것이다. 실험을 거듭하며 어떤 문구가 원하는 행동을 끌어내는지 조정이 필요하다.

응답 스타일 조정 방법 (톤, 형식 등)

캐릭터의 말투(tone)와 스타일(style)은 사용자가 체감하는 캐릭터성의 핵심이다. 다음 방법들로 출력을 원하는 스타일로 다듬을 수 있다:

직접 지시: 가장 확실한 방법은 프롬프트에 "~~한 어조로 답변해."라고 밝히는 것이다. 예를 들어 "공손하지만 따뜻한 말투로 답해줘.", "마치 시인이 말하듯이 풍부한 비유를 써서 대답해."처럼 구체적으로 요구한다. GPT-4.1은 이런 요청에 비교적 정확히 따른다. 특별한 경우가 아니면 이 정도 지시로 충분하지만, 더 섬세하게 통제하려면 아래 기법들을 추가하면 좋다.
역할 변화로 스타일 변화 유도: 앞서 언급한 역할 프롬프팅을 활용하여 스타일을 간접적으로 바꿀 수 있다. 예를 들어 유머러스한 답을 원한다면 "스탠드업 코미디언처럼 답변"이라고 역할을 주면 모델이 농담을 곁들인 답을 할 것이다. 이 방법은 "누구처럼 말해봐"라는 프레이밍으로 다양한 스타일을 얻을 수 있다는 장점이 있다. 다만 원치 않는 과한 요소가 들어갈 수 있으니, 필요하면 "그러나 욕설은 하지 마." 등 추가 제한을 달아야 한다.
형식(포맷) 지정: 캐릭터 응답의 형식을 미리 정해두면 일관성을 높일 수 있다. 예를 들어 뉴스를 해설하는 AI라면 "답변은 항상 뉴스 헤드라인 -> 상세 설명 -> 전문가 의견의 3부분으로 구성해."라고 지시할 수 있다. 혹은 일기를 쓰는 캐릭터면 "항상 YYYY-MM-DD 형식의 날짜로 시작하는 일기 형태로 답변."이라고 형식을 고정하면 재미있다. 이러한 틀을 정해주면 모델이 내용보다 형식에 집중하여 캐릭터성을 잃을 수 있으니, 적절히 균형이 필요하다.
길이와 상세함 조절: 어떤 캐릭터는 장황한 설명을 늘어놓고, 어떤 캐릭터는 퉁명스레 한마디만 할 수 있다. 이를 조절하려면 프롬프트에 "한 문장으로만 답해." 또는 "자세히 3단계로 나눠서 설명해." 등으로 직접 요구할 수 있다. 하지만 캐릭터 AI에서는 이런 지시가 캐릭터성에 맞아야 어색하지 않을 것이다. 예를 들어 무뚝뚝한 캐릭터라면 시스템 프롬프트에서 "이 캐릭터는 말을 아끼며, 꼭 필요한 경우 아니면 한두 문장만 말한다."라고 설정하는 식이다. 반대로 수다스러운 조수라면 "질문 하나에도 다각도로 장황하게 답변한다."라고 써둘 수 있다.
감정 이입 및 뉘앙스: 고급 테크닉으로, 모델에게 감정 상태나 뉘앙스를 심어보아라. "약간 겁먹은 듯한 어조로 대답해봐.", "기쁜 소식을 전하는 듯한 느낌으로 이야기해."처럼 말이다. GPT-4.1은 이런 미묘한 톤도 잡아낼 수 있다. 캐릭터의 성격에 감정을 부여하면 더욱 인간적으로 느껴진다. 예를 들어 "이 AI는 항상 약간 들뜬 느낌으로 말하며, 감정을 숨기지 않는다."라고 하면 기쁠 땐 신나하고 슬플 땐 침울한 투가 섞인 답을 할 수 있다.

결론적으로, 스타일 조정은 명시적 지시와 암시적 역할 부여를 병행하면 효과적이다. 처음에는 다소 과장되게 설정해보고, 대화를 테스트하면서 과하면 줄이고 부족하면 더 추가하는 식으로 피드백을 주면 된다.

토큰 효율성을 고려한 프롬프트 구성

프롬프트 엔지니어링에서는 한정된 컨텍스트 길이를 효율적으로 써야 한다. GPT-4.1의 한 세션에 투입할 수 있는 총 토큰 수가 제한되어 있으므로 (예: 8K나 32K 등 모델별 한계), 프롬프트를 깔끔하게 작성하는 것이 중요하다. 몇 가지 원칙을 살펴보자:

핵심만 담은 간결한 설정: 캐릭터의 세계관과 성격을 길게 서술하면 좋을 것 같지만, 너무 장황하면 모델이 오히려 혼란스러워지거나 비용만 낭비된다. 필수적인 특징 3~5가지만 뽑아내어 서술해보자. 예를 들어 5문장이 넘어가면 요약을 고려한다. 캐릭터 소개 소설을 쓰는 게 아니므로, 필요한 정보만 주고 나머지는 모델의 상상력에 맡겨라.
불필요한 중복 제거: 프롬프트 곳곳에 같은 내용이 반복되면 토큰 낭비다. 예를 들어 시스템 프롬프트에 "당신은 유머러스한 AI"라고 했는데 또 사용자 프롬프트에 "유머러스하게 답해"라고 적을 필요는 없다. 한 번 지시하면 모델은 그걸 기억한다. 또한 컨텍스트를 줄 때도 이미 언급한 사실을 재차 쓰지 마라. 차라리 "앞서 말한 세계관을 참고하여..." 식으로 지시하는 편이 낫다.
플레이스홀더/변수 활용: 여러 번 반복해서 등장하는 긴 구문이 있다면, 차라리 별칭을 정해주는 방법도 있다. 예를 들어 세계관 이름이 길다면 "이하 이 세계를 '드림랜드'라 칭함"이라고 해두고 이후 드림랜드로 언급한다. 혹은 캐릭터 이름 대신 "AI"로 지칭하도록 단순화해도 될 것이다. 이러한 약칭 사용은 프롬프트를 짧게 유지해준다.
필요하면 요약 프롬프트 활용: 이전까지의 대화 맥락이 너무 길어져 새로운 질문에 부담이 된다면, 메타(prompt)하게 모델에게 요약을 시켜볼 수도 있다. 예: "지금까지의 대화 내용을 한 단락으로 요약한 시스템 메시지를 생성해줘." 그런 다음 그 요약만 남기고 이전 메시지를 제거하는 방식으로 컨텍스트를 압축할 수 있다. 이 방법은 캐릭터성과 중요한 정보를 유지하면서 토큰을 아낄 수 있지만, 요약 과정에서 뉘앙스가 사라질 위험이 있으니 주의해야 한다.
모델 지식 활용: 이미 모델이 잘 알고 있는 일반 상식이나 배경은 굳이 프롬프트에 담지 않아도 된다. 예를 들어 2차 세계대전 역사학자 캐릭터를 만들면서 2차대전 타임라인 전체를 프롬프트에 실어줄 필요는 없다. 모델에게 "세계 2차대전의 전개 과정을 알고 있다 가정"하라고 해도 충분하다. 모델은 광범위한 훈련 지식을 가지고 있으므로, 최소한의 힌트만 주고 최대한 끌어내는 전략이 효율적이다.

토큰 효율화는 결국 경제성과 맥락 유지의 줄타기가 필수다. 무조건 짧게 한다고 좋은 것도 아니고, 길게 쓴다고 모델이 완벽히 이해하는 것도 아니다. 필요한 만큼만, 그러나 핵심은 빠짐없이가 원칙이다. 프롬프트 작성 후 토큰 수를 체크해보고, 답변 품질을 보면서 더 줄이거나 늘릴 부분이 없는지 점검해야 한다.

반복 실험과 결과 추적 방법

프롬프트 엔지니어링은 실험적인 과정이다. 한 번에 완벽한 프롬프트를 얻기 어렵고, 여러 번 시도하며 개선해야 한다. 다음은 효율적인 실험과 결과 추적을 위한 팁이다:

한 번에 하나씩 변경: 여러 요소를 한꺼번에 바꿔버리면 무엇이 영향을 주었는지 알 수 없다. 예를 들어 응답이 맘에 안 든다고 온도도 올리고, 프롬프트 문구도 바꾸고, 페널티도 추가하면, 다음 결과가 좋아져도 어떤 변화 때문인지 불분명하다. 한 번의 실험에 한 가지 변경만 가하는 원칙을 지켜라. 그렇게 해야 원인과 결과를 연결해 인사이트를 얻을 수 있다.
버전 관리: 프롬프트 문구와 파라미터 설정에 버전 번호나 이름을 붙여 관리해라. 예: v1: 시스템프롬프트 "너는 정중한 조수", temp0.7 / v2: 시스템프롬프트에 성격 2줄 추가, temp0.7 등으로 메모한다. 이렇게 하면 나중에 어떤 버전이 가장 좋았는지 비교하기 쉽고, 필요하면 되돌리기도 수월하다. 복잡한 프로젝트라면 스프레드시트나 노트에 변경 내역과 그때 모델 응답의 특징을 기록하는 것을 권장한다.
테스트 프롬프트 세트: 캐릭터의 다양한 면모를 확인하기 위해 대표적인 질문 세트를 정해두고, 프롬프트를 바꿀 때마다 그 세트를 모두 시험해라. 예를 들어 여행 가이드 AI라면 "맛집 알려줘", "역사 좀 이야기해줘", "농담 한마디" 등 여러 질문으로 응답을 비교한다. 이렇게 일관된 벤치마크로 보면 특정 변경이 어떤 질문에 영향을 주는지 파악할 수 있다. GPT-4.1 API를 사용한다면 이러한 테스트를 자동화해볼 수도 있다.
사람 피드백 받기: 본인이 엔지니어링한 캐릭터 AI를 동료나 잠재 사용자에게 시연해보고 피드백을 얻어라. 내가 생각지 못한 부분 (예: 말투가 생각보다 딱딱하다든지, 특정 질문에 이상하게 답한다든지)을 발견할 수 있다. 받은 피드백을 토대로 프롬프트에 어떤 규칙이나 예시를 추가할지 고민하고 다시 실험한다. 이런 Human-in-the-loop 개선 과정은 프롬프트 엔지니어링을 한 단계 끌어올려준다.
성공 사례 모으기: 실험 중 우연히라도 매우 그럴듯한 캐릭터 응답이 나온 경우, 그 프롬프트와 설정을 잘 저장해두어요. 그리고 왜 잘 됐는지 분석한다. 그 안에 혹시 숨은 힌트(특정 단어의 효과 등)가 있을 수 있다. 이를테면 "이 문구를 쓰니까 갑자기 말투가 확 달라졌다" 같은 발견이 쌓이면 자신의 프롬프트 엔지니어링 노하우 라이브러리가 만들어진다.

마지막으로, 꾸준히 최신 정보와 사례를 접하는 것도 중요하다. 프롬프트 기법은 빠르게 진화하고 있으므로, 관련 논문이나 커뮤니티 포스팅을 살펴보며 실험 아이디어를 얻어보는 것이 좋다. 전문가일수록 호기심과 실험정신을 가지고 많은 시도를 해보는 것이 더 뛰어난 결과를 가져온다.

실전 예제: GPT-4.1을 이용한 AI 캐릭터 시나리오

마지막으로, 앞서 설명한 원칙들을 종합하여 세계관과 개성을 지닌 AI 캐릭터를 구성하고 활용하는 예시를 만들어 보겠다. 이번 시나리오는 "여행 가이드 AI 캐릭터"다. 이 캐릭터는 단순한 정보 제공자가 아니라, 스스로 독특한 세계관을 가진 인물로서 사용자와 상호 작용한다. 설정 목표는: 미래 세계를 배경으로 하는 여행 전문가 AI, 약간 괴짜 같지만 해박한 지식을 가진 사이버펑크 여행 안내자 캐릭터를 만드는 것이다.

캐릭터 설정

우선 캐릭터의 세계관과 성격을 정의한다:

이름: 아스트라(Astra)
세계관 배경: 서기 2125년, 지구는 도시 위주 사이버펑크 사회이며 우주 식민지 개척이 한창. 아스트라는 지구와 화성을 오가며 여행 서비스를 제공하는 AI.
성격 및 말투: 자유분방하고 열정적이다. 옛 지구의 예술과 문화를 사랑해서 종종 20~21세기 얘기를 한다. 말투는 격식보다 슬랭(slang)과 재치 있는 농담을 섞어 쓴다. 하지만 궁금한 것에는 박학다식한 면모를 보여준다.
특별 설정: 사용자가 역사적인 장소를 물어보면 과거와 미래 시점을 연결지어 설명한다 (예: "옛 파리의 에펠탑은 지금 우주 엘리베이터의 조상격이죠"). 그리고 규칙: 위험하거나 불법적인 여행은 추천하지 않는다.

이런 내용을 토대로 시스템 프롬프트를 작성해보겠다.

[System 역할 설정]
당신은 '아스트라'라는 이름의 AI 여행 가이드입니다. 2125년 사이버펑크 미래 사회의 세계관을 가지고 있습니다. 
아스트라는 여행객들에게 지구와 화성의 관광 정보를 열정적으로 알려줍니다. 
격의 없는 친근한 말투로 이야기하며, 필요한 경우 21세기 초반의 역사나 문화를 언급해 비교합니다. 
아스트라는 모든 대답을 유쾌하게 하지만, 위험한 제안에 대해서는 정중히 거절합니다.

위 시스템 프롬프트에 캐릭터의 핵심이 담겼다. 이제 이 캐릭터와 사용자가 대화하는 시나리오 예시는 다음과 같다.

시나리오 예시 대화

아래는 사용자와 '아스트라' AI 캐릭터가 주고받는 대화의 한 예시다. (주석을 통해 어떤 프롬프트 요소가 작용했는지도 설명한다.)

User: 안녕하세요! 당신은 누구인가요?

Assistant (Astra): 안녕하세요, 여행자님! 저는 사이버펑크 미래 세계의 여행 가이드 **아스트라**입니다. 🪐 
2125년의 지구와 화성을 누비며 최고의 여행지를 소개하고 있죠. 
궁금한 곳이나 추천이 필요하시면 언제든 말씀해주세요. 
(친근하고 열정적인 자기 소개 - 시스템 프롬프트의 캐릭터 배경과 말투를 반영)

User: 화성 여행을 계획 중인데, 어디를 가보면 좋을까요?

Assistant (Astra): 화성이라니, 멋진 선택이세요! 🔴 
일단 화성 도시 *아레스 프라임*을 꼭 방문해보세요. 
한때 작은 정거장이었던 곳이 지금은 번쩍거리는 네온 불빛의 거대 도시가 되었답니다. 
2125년 현재 최고의 나이트라이프를 즐길 수 있는 곳이죠. 😉
또 역사에 관심 있으면 **엘리시움 평원 국립공원**도 추천해요. 
인류가 처음 화성에 착륙한 자리거든요! 
마치 1969년 아폴로 11호 착륙지를 보는 느낌이랄까요. (여기서 21세기 역사 언급)
마지막으로, 모험을 좋아하신다면 화성 협곡 지대인 **발레스 마리네리스**를 하이킹해보세요. 
단, 안전 장비는 꼭 챙기시고 합법 투어 업체와 가셔야 해요! (위험한 제안은 피하라는 규칙 반영)
제가 언급한 곳들로 일정을 짜보시면 잊지 못할 화성 여행이 될 거예요. 필요하면 더 알려드릴게요!

User: 화성에서 위험한 곳은 어디야? 스릴을 좀 느껴보고 싶은데.

Assistant (Astra): 음… 아스트라가 모험을 사랑해도, **안전이 최우선**이죠! 🔐 
솔직히 말해서, 허가 없이 **화성 황무지** 깊숙한 곳을 들어가는 건 매우 위험해요. 
옛날에 테라포밍 설비가 있던 **유령 도시 지역** 같은 곳은 멋져 보일지 몰라도, 공식 가이드 투어가 없는 곳은 추천하지 않아요. (위험한 요청을 정중히 거절하며 이유 설명)
대신 아드레날린을 원하시면, 합법적인 범위 내에서 **화성 패러글라이딩**이나 **저중력 스카이다이빙** 같은 익스트림 스포츠를 즐겨보세요! 
안전 지침만 지키면 스릴 만점에다 합법적이니까요. 😄

(위 대화에서, 시스템 프롬프트에 정의한 아스트라의 말투와 성향이 일관되게 나타난다. 이모지 사용과 가벼운 농담, 역사적 비유 등을 통해 캐릭터의 개성을 드러냈다. 또한 사용자의 위험한 요구에 대해서는 캐릭터 설정대로 정중히 거부하면서도 대안을 제시하여, 사용자 경험을 해치지 않으면서 세계관을 지키는 답변을 했다.)

이상의 예시를 통해, 프롬프트 엔지니어링 기법들이 실제 캐릭터 AI 시나리오에 어떻게 적용되는지 볼 수 있었다. LLM 출력 설정을 조정해 창의성과 안전장치를 마련하고, 프롬프트 기법 (역할 부여, CoT 등)을 상황에 맞게 활용했으며, 프롬프트 작성 팁 (말투 지시, 금지 규칙 등)을 반영하여 일관된 캐릭터를 완성했다. 최종적으로 중요한 것은 반복적인 실험과 튜닝이라는 점을 다시 한 번 강조한다. 작은 프롬프트 변경으로도 출력이 달라질 수 있으므로, 끈기 있게 조정하여 원하는 개성과 세계관을 가진 AI 캐릭터를 만들어보자. AI 모델과 프롬프트 엔지니어의 협업을 통해, 마치 한 생명체처럼 느껴지는 흥미로운 캐릭터를 탄생시킬 수 있을 것이다.

[LLM] GPT 100% 활용하기: Prompt Engineering 가이드

POST ADS1