---
title: "Prompt (language models) (KO)"
source: "https://systems-analysis.info/int/Prompt_(language_models)_(KO)"
wiki: "systems-analysis.info/int"
article: "Prompt_(language_models)_(KO)"
language: "ko"
categories:
- "Category:Korean"
- "Category:Large language models"
- "Category:Machine learning"
- "Category:Prompt engineering"
revision_id: 5969
wiki_created_at: 2026-09-06T23:56:34Z
wiki_modified_at: 2026-09-06T23:56:34Z
downloaded_at: 2026-09-07T23:11:19Z
---
# Prompt (language models) (KO)
**프롬프트** (영어 *prompt* — «힌트» 또는 «텍스트 요청»에서 유래) 는 대형 언어 모델(LLM)의 맥락에서, 사용자가 원하는 응답을 생성하기 위해 모델에 제공하는 입력 텍스트 또는 지시문이다[\[1\]](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_note-google_guide-1). 프롬프트는 필요한 조건, 맥락, 예시를 포함하여 모델에게 수행할 작업을 정의한다. 모델의 성능은 작성된 프롬프트의 품질에 크게 달려 있다.
텍스트 요청의 개발 및 최적화 방법을 연구하는 학문 분야를 prompt engineering(프롬프트 엔지니어링)이라고 한다. 그 목표는 AI 모델로부터 가장 관련성 높고, 정확하며, 안전한 응답을 얻는 것이다[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_note-wiki_prompt-2). 잘 구성된 프롬프트는 모델에게 작업 수행의 «경로»를 제시하여 요구되는 맥락과 원하는 결과를 명확히 하는 데 도움을 준다[\[1\]](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_note-google_guide-1).
## 접근법의 발전 역사
텍스트 힌트를 이용한 LLM 행동 제어 아이디어는 모델 자체의 능력이 성장함에 따라 함께 발전해 왔다.
### 초기 단계 (GPT-2)
2019년, OpenAI 연구자들은 **GPT-2**와 같은 대규모 사전학습 언어 모델이 작업을 텍스트 형식으로 표현하면 추가 학습 없이도 새로운 과제를 수행할 수 있음을 입증하였다. *«Language Models are Unsupervised Multitask Learners»* 논문은 원칙적인 전환점을 제시하였다. 즉, 각 작업에 맞게 모델을 fine-tuning하는 대신, 입력으로 명확한 지시문을 작성하는 것만으로도 충분해진 것이다[\[3\]](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_note-gpt3_paper-3).
### GPT-3와 In-Context Learning의 돌파구
진정한 돌파구는 2020년 **GPT-3** 모델의 출시와 함께 찾아왔다. 1,750억 개의 파라미터를 보유한 GPT-3는 **in-context learning** (맥락적 학습) — 즉, 요청 텍스트 안에 직접 제공된 몇 가지 예시로부터 «즉석에서» 새로운 과제를 학습하는 능력 — 을 보여주었다[\[3\]](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_note-gpt3_paper-3). 이 작동 방식은 **few-shot learning** («몇 가지 예시를 이용한 학습»)이라는 이름을 얻었으며, 모델 크기의 확장이 어떠한 가중치 조정 없이도 NLP 과제에서 높은 품질을 달성한다는 것을 보여주었다.
### Chain-of-Thought (CoT)의 등장
2022년의 추가적인 발전은 복잡한 논리적 추론에 대한 모델 능력 향상과 관련되었다. 추론의 사슬(chain-of-thought prompting) 형식의 특수 힌트가 제안되었다. 이러한 프롬프트에서 모델은 질문뿐만 아니라, 답변 전에 단계별로 순차적으로 추론하는 예시도 함께 받는다. 이는 산술 및 논리 문제에서 풀이의 정확도를 눈에 띄게 향상시켰다[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_note-wiki_prompt-2). Kojima 등의 연구에서는 요청 끝에 «단계별로 생각해 봅시다»라는 문구를 추가하는 것만으로도, 예시 없이(*zero-shot*) 모델이 추론을 하도록 자극할 수 있음을 보여주었다[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_note-wiki_prompt-2).
### 멀티모달 프롬프트
프롬프트의 개념은 텍스트의 영역을 넘어섰다. 2022년 **DALL-E 2**와 **Stable Diffusion** 모델의 등장으로, 자연어 사용자 요청은 이미지 생성의 보편적인 인터페이스가 되었으며, 이후에는 음악과 비디오 생성에도 활용되었다.
## 프롬프트의 종류 및 활용 기법
자주 조합하여 사용되는 몇 가지 주요 프롬프트 유형 및 기법이 존재한다.
### Zero-shot prompting (직접 요청)
모델은 **어떠한 예시도 없이** 지시문 또는 질문만을 받는다. 이 방식에서 LLM은 사전학습을 통해 얻은 일반적인 지식에 의존한다. 번역이나 텍스트 요약과 같은 단순한 작업에 적합하다[\[1\]](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_note-google_guide-1).
### Few-shot prompting (예시 기반 학습)
지시문 외에, 프롬프트에는 입력과 기대 출력이 포함된 **하나 이상의 예시**가 추가된다. 모델은 이 샘플들로부터 «즉석에서 학습»하여 학습된 논리를 새로운 요청에 적용한다. *in-context learning*을 구현하는 이 방법은 특정 형식이나 응답 스타일이 중요한 과제에서 정확도를 크게 향상시킨다[\[1\]](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_note-google_guide-1).
### 추론의 사슬 (Chain-of-Thought, CoT)
복잡한 추론(수학, 논리)이 필요한 과제를 위한 특수한 프롬프트 유형이다. 힌트에는 최종 답변 전에 단계별 분석 또는 풀이 계획이 포함된다. 이는 모델이 추론 과정을 명시적으로 구조화하도록 강제하여 결과의 품질을 크게 향상시킨다[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_note-wiki_prompt-2).
### 힌트 조정 (Prompt Tuning)
수동으로 프롬프트를 작성하는 대신 **자동으로 최적화된** 힌트를 사용하는 기법이다. 프롬프트는 사용자 요청에 추가되는 특수한 학습 가능한 token(연속 벡터)의 집합으로 표현된다. 이 작은 벡터-프롬프트만을 학습시킴으로써, 최소한의 연산 비용으로 대형 «동결된» 모델을 새로운 과제에 적응시킬 수 있다[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_note-wiki_prompt-2).
## 학문 분야로서의 프롬프트 엔지니어링
### 직업의 탄생
LLM 능력의 성장은 새로운 전문 분야인 **프롬프트 엔지니어**의 탄생으로 이어졌다. 이 전문가들은 AI로부터 원하는 동작을 얻기 위해 텍스트 힌트를 개발하고 디버깅한다. 프롬프트 엔지니어들은 언어학, 논리학, 심리학 분야의 지식을 활용하여 가장 효과적인 방식으로 입력 데이터를 구조화한다[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_note-wiki_prompt-2). 2022~2023년에는 이 직종에 대한 첫 번째 채용 공고가 등장하였으며, 이는 AI 시스템과의 효과적인 상호작용 능력에 대한 높은 수요를 반영한다.
### 직업의 미래와 자동화
이 분야는 빠르게 발전하고 있으며 그 미래는 논쟁의 대상이다. 예를 들어, VMware의 2024년 연구에 따르면 AI 스스로 반복과 최적화를 통해 효과적인 요청 표현 방식을 찾아낼 수 있으며, 이는 종종 인간의 표현 방식을 능가한다고 한다[\[4\]](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_note-ieee_dead-4). 이로 인해 수동 프롬프트 엔지니어링은 일시적인 현상일 수 있으며, 시간이 지남에 따라 자동 힌트 선택 도구가 표준이 될 것이라는 견해가 생겨났다. 그럼에도 불구하고, 2025년 현재 프롬프트 엔지니어링 전문성은 여전히 수요가 높다.
## 응용 분야
- **자연어 처리**: 문서의 자동 요약, 기계 번역, 질의응답, 정보 추출과 같은 전통적인 NLP 과제.
- **챗봇 및 가상 어시스턴트**: 프롬프트는 역할, 대화 스타일 및 응답 형식을 설정하여 대화 시스템을 더욱 일관성 있고 유용하게 만드는 데 도움을 준다.
- **코드 생성**: OpenAI Codex와 같은 모델은 자연어 설명을 바탕으로 프로그램 코드를 작성할 수 있어 개발 속도를 높인다.
- **데이터 분석**: 프롬프트를 통해 비정형 텍스트 보고서에서 인사이트를 추출하거나 가설을 생성하도록 모델을 설정할 수 있다.
- **교육**: 학습자의 수준에 맞게 문제를 생성하고, 복잡한 개념을 설명하며, 답변을 검토하는 지능형 튜터 제작.
- **창작 산업**: 상세한 설명을 바탕으로 텍스트, 예술적 이미지, 음악 및 시나리오 생성.
## 악의적 사용과 취약점 (Prompt Injection)
LLM 인터페이스의 개방성은 새로운 공격 유형인 **힌트 삽입** (*prompt injection*)의 등장을 가져왔다. 공격자는 모델이 초기 지시문을 위반하거나 숨겨진 정보를 노출하도록 하는 특수한 악성 요청을 작성한다[\[2\]](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_note-wiki_prompt-2). 전문가들은 이를 코드 인젝션 공격의 변형으로 간주하는데, 코드 대신 교묘한 텍스트 지시문이 시스템에 «주입»되는 방식이다.
### 공격 유형
- **Jailbreak**: 모델이 부과된 제약(예: 모더레이션 정책)에서 «탈출»하여 금지된 콘텐츠를 생성할 수 있게 하는 공격. 잘 알려진 예로는 ChatGPT가 검열 없이 응답하도록 했던 **DAN 프롬프트** (Do Anything Now)가 있다.
- **Prompt Leaking**: 특수한 요청을 통해 모델이 숨겨진 시스템 프롬프트의 일부를 노출하도록 강제한다.
- **Token Smuggling**: 악성 지시문이 필터를 우회하고 원치 않는 동작을 유발하기 위해 요청의 무해한 부분(예: 코드 조각)으로 위장된다.
이러한 공격들은 전통적인 사이버보안 방법이 자연어 해석과 관련된 위협에는 잘 대응하지 못하기 때문에 심각한 문제를 제기한다.
## 참고 문헌
- Radford, A. et al. (2019). *Language Models are Unsupervised Multitask Learners*. PDF.
- Brown, T. B. et al. (2020). *Language Models are Few-Shot Learners*. arXiv:2005.14165.
- Wei, J. et al. (2022). *Chain-of-Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903.
- Wang, X. et al. (2022). *Self-Consistency Improves Chain of Thought Reasoning in Language Models*. arXiv:2203.11171.
- Kojima, T. et al. (2022). *Large Language Models are Zero-Shot Reasoners*. arXiv:2205.11916.
- Li, X. L.; Liang, P. (2021). *Prefix-Tuning: Optimizing Continuous Prompts for Generation*. arXiv:2101.00190.
- Liu, Y. et al. (2021). *Fantastically Ordered Prompts and Where to Find Them: Overcoming Few-Shot Prompt Order Sensitivity*. arXiv:2104.08786.
- Chang, K. et al. (2024). *Efficient Prompting Methods for Large Language Models: A Survey*. arXiv:2404.01077.
- Li, Z. et al. (2024). *Prompt Compression for Large Language Models: A Survey*. arXiv:2410.12388.
- Genkina, D. (2024). *AI Prompt Engineering Is Dead*. *IEEE Spectrum*. [5].
- Li, W. et al. (2025). *A Survey of Automatic Prompt Engineering: An Optimization Perspective*. arXiv:2502.11560.
- Wu, Z. et al. (2025). *The Dark Side of Function Calling: Pathways to Jailbreaking Large Language Models*. *EMNLP 2025*. PDF.
## 주석
1. ↑ [1.0](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_ref-google_guide_1-0) [1.1](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_ref-google_guide_1-1) [1.2](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_ref-google_guide_1-2) [1.3](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_ref-google_guide_1-3) «Prompt Engineering for AI Guide». *Google Cloud*. [1]
2. ↑ [2.0](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_ref-wiki_prompt_2-0) [2.1](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_ref-wiki_prompt_2-1) [2.2](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_ref-wiki_prompt_2-2) [2.3](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_ref-wiki_prompt_2-3) [2.4](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_ref-wiki_prompt_2-4) [2.5](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_ref-wiki_prompt_2-5) [2.6](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_ref-wiki_prompt_2-6) «Техника подсказок». *Википедия*. [2]
3. ↑ [3.0](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_ref-gpt3_paper_3-0) [3.1](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_ref-gpt3_paper_3-1) Brown, Tom B., et al. «Language Models are Few-Shot Learners». *arXiv:2005.14165* \[cs.CL\], 28 мая 2020 г. [3]
4. [↑](https://systems-analysis.info/int/Prompt_(language_models)_(KO)#cite_ref-ieee_dead_4-0) «AI Prompt Engineering Is Dead». *IEEE Spectrum*. [4]