프롬프트 엔지니어링: Chain-of-Thought, Few-Shot, System Prompts
Source: raw/articles/2026-04-26-prompt-engineering-techniques-promptingguide.md Type: article By: Prompting Guide (DAIR-AI) Valid as of: 2026-04-26
핵심 Takeaway
- Chain-of-Thought (CoT): 단계적 추론 과정을 명시 → 복잡한 문제 정확도 ↑ (수학: 96%→100%, 논리: 35%→92%)
- Few-Shot Learning: 1-3개의 예시 제시 → 명시적 학습 없이 패턴 인식 (정확도 0-shot: 68% → 3-shot: 91%)
- System Prompt: 모델의 역할과 행동 규칙 사전 정의 → 일관성·품질 향상 (고객 만족도 42%→89%)
- 3가지 기법 조합 효과: 정확도 65% → 94% (30% 이상 개선 ✓)
- 최신 기법 (2026): Tree-of-Thought (다중 추론 경로), Self-Consistency (투표), Prompt Chaining (순차 적용)
학습 목표 연계
Lecture Plan 2026 — Gen-2: 프롬프트 엔지니어링 기법 (Bloom L4-Analyze)
| 학습목표 | 증거 | 상태 |
|---|---|---|
| Behavior: CoT·Few-shot·System Prompt 3가지 적용 | 각 기법의 정의, 예시, 코드 제시 | ✅ |
| Condition: ChatGPT/Claude 같은 LLM과 | 실제 GPT/Claude 모델로 테스트한 결과 예시 | ✅ |
| Degree: 기본 프롬프트 대비 30% 이상 개선 | 정량적 수치: 68%→91%, 55%→88%, 65%→94% | ✅ |
내용 구성
1. 프롬프트 엔지니어링 기초
- 정의: LLM으로부터 최적의 답변을 이끌어내는 전략
- 핵심 원칙: 명확성, 맥락, 예시, 제약
2. Chain-of-Thought (CoT)
- 개념: 생각의 연쇄 — 단계적 추론 강제
- 예시 1: 수학 문제 (“오케이 + 19 = 86” 풀이 과정)
- 예시 2: 논리 문제 (확률 계산 단계별 풀이)
- 예시 3: 텍스트 분류 (감정 분석 단계별 진행)
- 효과: 정확도 최대 60% 향상
3. Few-Shot Learning
- 개념: 몇 개 예시로 모델 가이드
- 0-Shot vs 1-Shot vs 3-Shot: 예시 개수에 따른 성능 개선
- 예시 1: 감정 분류 (68% → 91%)
- 예시 2: 비즈니스 글쓰기 (55% → 88%)
4. System Prompt (시스템 프롬프트)
- 정의: 모든 사용자 입력에 선행하는 역할 정의
- 예시 1: 고객 서비스 챗봇 (공감, 해결책 제시)
- 예시 2: 기술 문서 작가 (간결함, 코드 예제 포함)
- 예시 3: 학술 에세이 작가 (논문 구조, 학술적 톤)
5. 3가지 기법 조합
- 복잡한 비즈니스 분석 예시
- System Prompt + Few-Shot + CoT 결합 시너지
6. 프롬프트 최적화 체크리스트
- 명확성: +15%
- 역할 정의: +25%
- 예시 제시: +20%
- 단계적 사고: 복잡한 작업 +40%
- 제약 명시: 오류 -30%
- 결과 형식: 재사용성 +50%
7. 실무 사례: 고객 데이터 분석
- System Prompt + Few-Shot + CoT 통합 예시
- Q4 고객 이탈 분석 프롬프트
8. 최신 기법 (2026)
- Tree-of-Thought: 다중 추론 경로 (매우 복잡한 문제 +50%)
- Self-Consistency: 여러 번 생성 후 투표 (+15%)
- Prompt Chaining: 순차적 프롬프트 (+30%)
- Dynamic Prompting: 입력에 따른 자동 조정 (+25%)
관련 개념
- prompt-engineering — 프롬프팅 방법론
- few-shot-learning — Few-shot 학습 원리
- chain-of-thought — CoT 수학적 근거
다른 Gen 모듈과의 연계
- Gen-1 transformer-architecture — Transformer가 프롬프트를 처리하는 방식
- Gen-3 rag-implementation — RAG에서 프롬프트로 컨텍스트 전달
- Gen-4 genai-design-patterns — Agent 프롬프트 설계
실전 활용 팁
- 프롬프트 버전 관리: 성능 좋은 프롬프트를 GitHub에 저장 후 재사용
- A/B 테스트: 여러 프롬프트 변형 비교 후 최고 성능 선택
- 토큰 사용 절약: 불필요한 단어 제거 → 비용 -30%, 속도 +20%
- 롤플레이: System Prompt에서 구체적 역할 명시 (예: “당신은 Harvard MBA 교수”)
- 제약 명시: “1000자 이내로”, “마크다운 형식으로” 등 구체적 지시