---
title: "Role Prompting (KO)"
source: "https://systems-analysis.info/int/Role_Prompting_(KO)"
wiki: "systems-analysis.info/int"
article: "Role_Prompting_(KO)"
language: "ko"
categories:
- "Category:Korean"
- "Category:Large language models"
- "Category:Machine learning"
- "Category:Prompt engineering"
revision_id: 6481
wiki_created_at: 2026-09-07T00:05:03Z
wiki_modified_at: 2026-09-07T00:05:03Z
downloaded_at: 2026-09-07T23:14:06Z
---
# Role Prompting (KO)
**역할 프롬프팅** (영어: *role prompting*), 또는 **페르소나 프롬프팅** (영어: *persona prompting*)이라고도 하며, 이는 대형 언어 모델(LLM)을 위한 프롬프트 엔지니어링 기법으로, 모델이 특정 작업을 수행하기 전에 명시적으로 특정 역할, 페르소나 또는 전문가적 정체성을 부여하는 것을 말한다[\[1\]](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_note-ibm_watsonx_guide-1). 즉, 요청 텍스트나 시스템 지시문에 모델이 예를 들어 「교사」, 「역사가」 또는 「해적」임을 명시함으로써 생성되는 응답의 스타일, 어조 및 행동 방식을 설정하는 것이다[\[2\]](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_note-learnprompting_guide-2).
이 접근 방식은 대화형 시스템에서 널리 사용된다. 예를 들어, ChatGPT의 기본 시스템 프롬프트인 「You are a helpful assistant」(당신은 유용한 도우미입니다)는 사실상 대화에서 모델의 기본 역할을 설정하는 것이다[\[3\]](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_note-helpful_assistant_study-3).
## 목적과 활용
역할 프롬프팅의 목적은 모델이 특정 스타일과 응답 초점을 갖도록 유도하여 과제에 보다 적절하고 맥락에 맞는 응답을 생성하게 하는 것이다. 역할 부여를 통해 모델에 적절한 어조와 어휘를 설정할 수 있다. 이는 창의적이고 개방형 과제에서 특히 유용하며, 역할이 텍스트를 보다 생동감 있고 스타일적으로 다양하게 만드는 데 도움을 준다[\[4\]](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_note-learnprompting_effective-4).
이 기법은 전문적인 시나리오에서도 활용된다. 예를 들어, 기술 지원 챗봇에 정중한 서비스 담당자 역할을 부여하거나, 멀티에이전트 시스템에서 각 에이전트에 고유한 페르소나(예: 「관리자」, 「개발자」)를 할당하여 효과적으로 협력하도록 할 수 있다[\[1\]](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_note-ibm_watsonx_guide-1). 현대 LLM의 유연성 덕분에 가상의 캐릭터부터 특정 분야 전문가에 이르기까지 거의 모든 역할을 수행하며 주어진 역할에 최대한 부합하는 응답을 생성할 수 있다[\[1\]](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_note-ibm_watsonx_guide-1).
## 품질 및 정확도에 대한 영향
객관적인 응답 정확도 향상을 위한 역할 프롬프팅의 효과성 문제는 여전히 활발한 연구 대상이며, 결과는 종종 상충된다.
### 상충되는 연구 결과
한편으로는 성능 향상을 보여주는 연구들이 존재한다. 예를 들어, Zheng 외 (2023)의 연구에서는 모델의 역할이 과제 주제와 일치할 경우 성능이 향상될 수 있음을 발견했다[\[5\]](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_note-persona_double_edged-5). Kong 외 (2024)의 연구는 적절한 페르소나 선택 시 역할 프롬프팅이 모델의 *zero-shot* 추론을 개선할 수 있다고 주장한다[\[5\]](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_note-persona_double_edged-5).
다른 한편으로, 대규모 연구들은 보다 복잡한 양상을 보여준다. 162가지 서로 다른 역할을 대상으로 한 체계적인 실험에서 중립적인 시나리오 대비 정확도에서 유의미한 이점이 발견되지 않았다[\[3\]](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_note-helpful_assistant_study-3). 더욱이, 평균적으로 역할 프롬프트는 오히려 응답 정확도를 **약간 저하**시키는 것으로 나타났다[\[3\]](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_note-helpful_assistant_study-3).
Kim 외 (2024)의 연구는 역할 개입을 「양날의 검」으로 묘사한다. 실험 결과, GPT-4 모델에 역할 지시를 부여했을 때 일부 문제는 역할 없이는 틀렸던 것을 올바르게 해결했으나 (**≈15.8%** 향상), 거의 동일한 비율의 과제가 오히려 역할로 인해 「파괴」되었다 (**≈13.8%** 저하)[\[5\]](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_note-persona_double_edged-5). 이는 역할을 추가하는 것 자체가 품질 향상을 보장하지 않으며 모델 행동에 예측할 수 없는 영향을 미칠 수 있음을 강조한다.
역할 프롬프팅의 명백한 장점은 **응답 스타일과 형식에 대한 제어**이다. 사실 정확도에서 역할이 개선을 가져오지 않더라도, 원하는 어조(친근한, 공식적인, 교육적인)의 응답을 얻을 수 있어 사용자에게 보다 일관되고 흥미로운 응답을 제공한다[\[4\]](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_note-learnprompting_effective-4).
## 역할 설계 권장 사항
연구들은 역할 프롬프팅을 효과적으로 적용하기 위한 몇 가지 실용적인 조언을 제공한다:
- **역할 선택**: 지나치게 친밀하거나 지나치게 전문화된 역할을 피하고 중립적인 사회적 역할(예: 「동료」, 「멘토」)을 선택할 것을 권장한다[\[6\]](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_note-role_prompting_guide-6).
- **표현 방식**: 역할은 복잡한 가상 시나리오(「당신이 ...라고 상상해보세요」) 대신 모델의 입장에서 직접적으로(「당신은 X입니다」) 설정하는 것이 좋다. 직접적인 캐릭터 부여가 더 효과적임이 입증되었다[\[6\]](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_note-role_prompting_guide-6).
- **2단계 접근법**: 복잡한 요청의 경우 과제를 두 단계로 나누는 것을 권장한다. 먼저 모델에 역할과 맥락에 대한 설정을 제공한 후, 본 질문을 제시한다. 이를 통해 모델이 먼저 「역할에 몰입」할 수 있으며 결과의 안정성이 향상된다[\[6\]](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_note-role_prompting_guide-6).
## 한계 및 위험
역할 프롬프팅의 적용에는 몇 가지 체계적인 위험이 수반된다.
### 고정관념 및 편향 강화
LLM은 훈련 데이터에 내재된 고정관념을 무의식적으로 흡수한다. 특정 직업, 성별 또는 국적과 관련된 역할을 부여하면 응답에서 이러한 고정관념이 활성화되고 강화될 수 있다[\[6\]](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_note-role_prompting_guide-6). Gupta 외 (2023)의 연구는 역할에 사회적 속성(나이, 민족성)을 추가하면 모델의 출력이 편향되고 추론 정확도가 크게 저하될 수 있음을 보여주었다[\[5\]](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_note-persona_double_edged-5). 또 다른 분석(Deshpande et al., 2023)에서는 일부 페르소나 이미지가 생성된 응답의 독성 증가로 이어짐을 발견했다[\[5\]](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_note-persona_double_edged-5).
### 보안 취약점
악의적인 행위자는 역할 프롬프팅을 이용해 콘텐츠 모더레이션 제한을 우회할 수 있다(이른바 탈옥(jailbreak) 기법). 연구에 따르면 특정 페르소나(예: 윤리적 제약이 없는 캐릭터)를 부여하면 LLM을 금지된 행동으로 유도하기가 용이해진다. Shah et al. (2023)은 여러 「역할」 에이전트의 협력을 통해 모델 제한을 성공적으로 우회했으며, 이는 시스템적 취약점을 보여준다[\[7\]](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_note-shah2023_findings-7).
따라서 모델에 역할을 부여할 때는 해당 역할에 내재된 잠재적 편견과 바람직하지 않은 효과를 고려하고 이 방법을 신중하게 적용하는 것이 중요하다[\[6\]](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_note-role_prompting_guide-6).
## 참고 링크
- Role Prompting: Guide LLMs with Persona-Based Tasks — Learn Prompting의 역할 프롬프팅 가이드.
- Use role prompting with Watsonx and Granite — IBM의 실용 가이드.
## 참고 문헌
- Kim, J.; Yang, N.; Jung, K. (2024). *Persona is a Double-edged Sword: Mitigating the Negative Impact of Role-playing Prompts in Zero-shot Reasoning Tasks*. arXiv:2408.08631.
- Kong, A. et al. (2023). *Better Zero-Shot Reasoning with Role-Play Prompting*. arXiv:2308.07702.
- Zheng, M. et al. (2023). *When "A Helpful Assistant" Is Not Really Helpful: Personas in System Prompts Do Not Improve Performances of Large Language Models*. arXiv:2311.10054.
- Shah, R. et al. (2023). *Scalable and Transferable Black-Box Jailbreaks for Language Models via Persona Modulation*. arXiv:2311.03348.
- Deshpande, P. et al. (2024). *Evaluating Persona-Prompted LLM Responses in Power-Disparate Health Communication*. arXiv:2503.01532.
- Xiong, F. et al. (2025). *The Influence of Persona Assignment on Stereotypes and Safeguards in Chinese Large Language Models*. arXiv:2506.04975.
- Li, Y. et al. (2025). *System Prompts as a Mechanism of Bias in Large Language Models*. arXiv:2505.21091.
- Wang, L. et al. (2025). *Persona-Assigned Large Language Models Exhibit Human-Like Bias and Toxicity*. arXiv:2506.20020.
- Grover, K. et al. (2023). *In-Context Impersonation Reveals Large Language Models' Ability to Simulate Human Personas*. PDF.
- Verma, V. et al. (2024). *Systematic Survey of Prompt Engineering in Large Language Models*. arXiv:2402.07927.
- Gupta, S. et al. (2024). *Exploring the Impact of Personality Traits on LLM Bias and Toxicity*. arXiv:2502.12566.
- Safdari, M. et al. (2024). *LLMs are Vulnerable to Malicious Prompts Disguised as Scientific Language*. arXiv:2501.14073.
## 주석
1. ↑ [1.0](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_ref-ibm_watsonx_guide_1-0) [1.1](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_ref-ibm_watsonx_guide_1-1) [1.2](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_ref-ibm_watsonx_guide_1-2) «Use role prompting with Watsonx and Granite». *IBM*.
2. [↑](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_ref-learnprompting_guide_2-0) «Role Prompting: Guide LLMs with Persona-Based Tasks». *Learn Prompting*. [1]
3. ↑ [3.0](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_ref-helpful_assistant_study_3-0) [3.1](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_ref-helpful_assistant_study_3-1) [3.2](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_ref-helpful_assistant_study_3-2) «When "A Helpful Assistant" Is Not Really Helpful: Personas in System Prompts Do Not Improve Performances of Large Language Models». *arXiv*. [2]
4. ↑ [4.0](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_ref-learnprompting_effective_4-0) [4.1](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_ref-learnprompting_effective_4-1) «Is Role Prompting Effective?». *Learn Prompting*. [3]
5. ↑ [5.0](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_ref-persona_double_edged_5-0) [5.1](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_ref-persona_double_edged_5-1) [5.2](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_ref-persona_double_edged_5-2) [5.3](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_ref-persona_double_edged_5-3) [5.4](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_ref-persona_double_edged_5-4) «Persona is a Double-edged Sword: Enhancing the Zero-shot Reasoning by Ensembling the Role-playing and Neutral Prompts». *arXiv*. [4]
6. ↑ [6.0](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_ref-role_prompting_guide_6-0) [6.1](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_ref-role_prompting_guide_6-1) [6.2](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_ref-role_prompting_guide_6-2) [6.3](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_ref-role_prompting_guide_6-3) [6.4](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_ref-role_prompting_guide_6-4) «Role Prompting: Guide LLMs with Persona-Based Tasks». *Learn Prompting*. [5]
7. [↑](https://systems-analysis.info/int/Role_Prompting_(KO)#cite_ref-shah2023_findings_7-0) Shah, S., et al. (2023). «Scalable and Transferable Black-Box Jailbreaks for Language Models via Persona Modulation». *ACL Anthology*. [6]