효과적인 프롬프트 엔지니어링 템플릿: LLM을 위한 7가지 복사-붙여넣기 방법

작성자별 이미지

# 소개

다양한 작업에 LLM을 사용해 본 적이 있다면 프롬프트를 작성하는 방법에 따라 응답이 달라지는 경우가 많다는 것을 눈치채셨을 것입니다. 이것이 우리가 부르는 것입니다. 신속한 엔지니어링. 지시를 내리는 방식에 따라 모호한 답변과 정확하고 실행 가능한 답변이 달라질 수 있습니다. 나는 신속한 엔지니어링이 때때로 약간 까다롭게 느껴질 수 있다는 것을 알고 있습니다. 그것은 단지 순수한 과학이 아닙니다. 그것은 과학과 예술의 혼합입니다. 즉, 각 상황에 가장 적합한 것이 무엇인지 확인하기 위해 실험을 해야 한다는 의미입니다. 걱정하지 마세요. 이 기사에서 다뤘습니다.

우리는 겪을 거야 검증된 7가지 레시피 북마크에 추가하고 자신의 작업에 사용할 수 있습니다. 여기서는 모든 단일 도메인을 다루지는 않지만 7가지 영역에 중점을 둘 것입니다. 그 중 귀하가 작업 중인 작업과 밀접하게 일치하는 것이 있으면 시도해 보고 어떻게 진행되는지 댓글로 알려주세요. 여기 있습니다.

# 1. 입사지원 및 경력 → 페르소나 + 개인화 프롬프트

일반적인 자기 소개서는 발견하기가 매우 쉽습니다. 저는 개인적으로 귀하가 작성한 편지가 더 자연스럽게 읽히고 고용주로부터 더 나은 반응을 얻을 것이라고 생각하지만 이것이 가장 일반적인 사용 사례 중 하나라는 것을 이해합니다. 그러한 시나리오에서는 개인적인 손길을 포함하고 자연스러운 톤을 유지하십시오. 이력서를 붙여넣으면 모든 내용이 강조표시되는 경우가 많습니다. 심지어 그다지 중요하지 않은 내용도 포함됩니다. 원하는 경우 구조 섹션에 몇 가지 핵심 사항을 추가할 수도 있습니다. 그냥 물어보지 마세요: “XYZ 회사의 ML 엔지니어 자리에 대한 소개서를 작성하세요.” 귀하의 편지가 다른 모든 후보자의 편지와 동일하다는 인상을 주고 싶지는 않습니다.

주형:
당신은 나의 직업 보조자입니다. 해당 직책에 맞는 자기소개서를 작성하세요. [Job Title] ~에 [Company].

나에 대한 세부정보: [paste key skills, most relevant achievements, and work experience].

지침:
– 어조를 유지하세요. 전문적이고 자신감 넘치면서도 자연스러우며 지나치게 열정적이지 않습니다.
– 작업별 목록이 아닌 이전 가능한 가치와 영향을 강조하는 방식으로 경험을 요약합니다.
– 구조:
1) 직무/회사에 대한 진정한 관심을 담은 간략한 소개.
2) 내 배경과 역할 요구 사항을 연결하는 간결한 문단입니다.
3) 자신감 있으면서도 정중한 행동 촉구로 문단을 마무리합니다.
– 편지를 한 페이지 안에 보관하세요.

# 2. 수학과 논리적 추론 → 사고연쇄 + 역할 + 퓨샷 프롬프트

커뮤니티의 대부분의 사람들은 이미 일련의 생각과 몇 번의 프롬프트가 무엇인지 알고 있을 것입니다. 그러나 많은 학생과 기술 지식이 없는 사용자가 이러한 목적으로 LLM을 사용하기 때문에 명시적으로 언급하고 싶었습니다. LLM은 직접 물어보면 수학 문제로 어려움을 겪는 경우가 많습니다. 예를 들어, LLM에게 “딸기”에 있는 “r”의 수를 세어 달라고 요청하면 어려움을 겪을 수 있습니다. 대신 명시적으로 요청합니다. “이유는 단계별로” 정확성을 향상시킵니다. 해결된 문제인 몇 가지 예시를 추가하면 추론 프로세스에 대한 명확한 이해를 제공하여 오류를 더욱 줄일 수 있습니다.

주형:
당신은 수학 교사입니다. 최종 답변을 제공하기 전에 다음 문제를 단계별로 해결하십시오.

예:
Q: 기차가 시속 60km의 속도로 2시간 동안 운행한다면 얼마나 가나요?
A: 1단계: 속도 × 시간 = 60 × 2 = 120km.
최종 답변: 120km

이제 이 문제를 해결해 보세요.
[Insert your math problem here]

# 3. 코드 생성 → 명령어 분해 + 제약 조건 프롬프트

코딩은 LLM의 주요 사용 사례 중 하나이며, “바이브 코딩”이라는 용어를 들어보셨을 수도 있는 이유이기도 합니다. 숙련된 개발자라도 LLM을 사용하여 상용구 코드를 생성한 다음 그 위에 구축하는 방식으로 전환했습니다. 이전에 코딩을 해본 적이 있다면 하나의 문제가 여러 가지 방법으로 해결될 수 있다는 것을 알고 있을 것입니다. 그리고 LLM은 때때로 상황을 필요 이상으로 복잡하게 만듭니다. 제약 조건 형태의 약간의 지침과 명확한 입력, 출력 및 요구 사항으로 작업을 분류하면 출력이 실용적으로 유지됩니다.

주형:
당신은 수석 소프트웨어 엔지니어입니다. {constraint}를 사용하여 다음 작업을 수행하는 Python 코드를 작성합니다.

작업: {코드가 수행해야 하는 작업 설명}

요구사항:

입력 형식: {지정}
출력 형식: {지정}
처리할 극단적인 사례: {목록을 나열하세요.}

깨끗하고 주석이 달린 코드만 제공하세요.

# 4. 학습 및 지도 → 소크라테스 방식 + 지도 교육

많은 사람들이 LLM이 제공하는 유연성과 선호하는 구조에 쉽게 적응할 수 있는 방식 때문에 LLM을 학습 도구로 사용합니다. 다양한 교육 방법은 사람마다 다르게 작용합니다. 그러나 교육에서 유용하고 널리 채택되는 한 가지 접근 방식은 학습이 일방향이 아닐 때입니다. 대신, 교사는 이해를 확인하기 위해 질문을 한 다음, 더 명확하게 설명하거나 설명합니다. 이렇게 하면 프로세스가 대화형으로 유지되고 수동적인 읽기가 방지됩니다.

주형:
당신은 참을성 있는 교사입니다. 대답을 직접적으로 말하는 것보다 내가 대답할 수 있는 질문을 사용하여 단계별로 안내해 주십시오. 그런 다음 내 답변을 바탕으로 해결 방법을 명확하게 설명하십시오.

주제: {주제 삽입}

가르치기 시작하세요:

# 5. Creative Writing & Storytelling → 페르소나 + 스타일로 창의성 조절

LLM에서 나타난 주요 사용 사례 중 하나는 매력적인 이야기를 생성하는 능력으로 인해 어린이 콘텐츠가 성장했다는 것입니다. YouTube에서도 같은 추세를 따르는 AI 기반 동영상을 발견하셨을 것입니다. 스토리 생성은 꽤 멋지지만, 모델을 그 자체로 방치하면 내용을 쉽게 잃을 수 있습니다. 흥미를 유발하고 체계적으로 유지하려면 관점, 주제, 캐릭터 또는 결말과 같은 제약 조건을 설정하는 것이 도움이 됩니다. 실제로 이것은 창의적인 작업에 훨씬 더 효과적입니다.

주형:
당신은 숙련된 이야기꾼입니다. 마술적 사실주의 스타일로 짧은 소설(약 400자)을 쓰십시오.

관점: 1인칭
주제 : 평범함 속에서 숨겨진 세계의 발견
대상/복잡도 수준: 어린이(단순)
엔딩: 놀라운 반전으로 마무리됩니다.

# 6. 브레인스토밍 & 아이디어 창출 → 확산적 + 융합적 사고

창의성과 관련하여 LLM을 사용하는 가장 효과적인 방법 중 하나는 브레인스토밍입니다. 그러나 단지 “아이디어”만 요청하면 모델은 너무 광범위하거나 실용적이지 않은 무작위 목록을 내놓을 수 있습니다. 더 좋은 방법은 실제 브레인스토밍 세션에서 사용되는 것과 동일한 프로세스를 따르는 것입니다. 먼저 폭넓게 접근하여 가능한 한 많은 원시 아이디어를 생성한 다음(확산적 사고), 그런 다음 가장 좋은 아이디어를 실행 가능한 솔루션으로 좁히고 다듬습니다(수렴적 사고). 이렇게 하면 결과물에서 창의성과 구조를 모두 얻을 수 있습니다.

주형:

1단계: 필터링되지 않은 원시 아이디어 10개 생성 [topic].
2단계: 가장 실용적인 상위 3개 아이디어를 선택하고 각각을 세부 계획으로 확장합니다.

# 7. 비즈니스 & 전략 → 컨설턴트 스타일의 구조화된 프롬프트

많은 사람들은 시장 조사, 계획, 전략 수립 등 비즈니스 관련 업무에도 LLM을 사용합니다. 문제는 다음과 같은 막연한 질문을 하면 “어떻게 하면 사업을 개선할 수 있나요?” 일반적으로 실제로 도움이 되지 않는 일반적인 답변을 얻게 됩니다. 보다 실용적이고 명확한 결과를 얻는 방법은 컨설팅 회사가 분석을 제시하는 방식과 유사하게 구조화된 형식으로 프롬프트를 구성하는 것입니다. 이렇게 하면 답변의 초점이 유지되고 불필요한 보풀이 방지되며 실행 가능해집니다.

주형:
당신은 전략 컨설턴트입니다. 다음에 대한 구조화된 3부분 분석을 제공합니다. [business challenge].

현재 상황: 주요 사실, 시장 상황 또는 이용 가능한 데이터
주요 과제: 해결해야 할 주요 문제 또는 장애물
권장 전략: 직접 구현할 수 있는 실행 가능한 3가지 단계

칸왈 메린 데이터 과학과 AI와 의학의 교차점에 대한 깊은 열정을 가진 기계 학습 엔지니어이자 기술 작가입니다. 그녀는 “ChatGPT를 통한 생산성 극대화”라는 전자책을 공동 집필했습니다. 2022년 APAC Google Generation Scholar로서 그녀는 다양성과 학문적 우수성을 옹호하고 있습니다. 그녀는 또한 Tech Scholar, Mitacs Globalink Research Scholar 및 Harvard WeCode Scholar에서 Teradata Diversity로 인정받았습니다. Kanwal은 STEM 분야에서 여성의 역량을 강화하기 위해 FEMCodes를 설립한 변화에 대한 열렬한 옹호자입니다.